Thème: Présenté Par

F -X C h a n ge F -X C h a n ge
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
k e r- s o ft w a k e r- s o ft w a
Université Abdelhamid IBN BADISSE MOSTAGANEM
Faculté des sciences économiques, sciences commerciales et des sciences de

gestion
Département des sciences économiques
Mémoire de fin d’étude pour l’obtention du diplôme magister en Sciences

Economiques
Option : Techniques Quantitatives Appliquées en Economie
Thème
Etude prévisionnelle de la volatilité des prix du pétrole par les modèles
ARCH et GARCH
Présenté par
HAMDANI Souad
Soutenu le : 20 Avril 2017
Composition du jury :
Dr. Bachir BEKKAR MC. A Président Université de Mostaganem
Rapporteur
Dr.Ahmed AMEUR AMEUR Professeur Université de Mostaganem
Examinateur Université d’ORAN
Dr. Belkhir MAAMAR Professeur
Examinateur Université de Mostaganem
Dr. Fatima ZEROUAT MC. A
Membre invité
Université de Mostaganem
Dr. Zineddine GUEDEL MC. B
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Résumé
Les événements récents et la forte volatilité observée sans les marchés
pétroliers nécessite une étude analytique et prévisionnelle approfondie
dans le bute de trouver un modèle économétrique fiable pour prévenir
cette volatilité, ce travail procède à l’investigation empirique du
marché pétrolier de l’O.P.E.P. la modélisation de l’évolution du prix
spot au cours du temps dans le bute d’extraire une mesure de la
volatilité est effectué à l’aide du modèle ARCH (R.F. Engle, 1982)
puis GARCH (T.Bollerselv, 1986).
Mots clés
Volatilité, prix spot, modèles :ARCH, GARCH, Autoregressif, Séries
financiers.
Abstract
the recent events and the high volatility observed in the oil market
requires an in-depth analytical and forcasting study in the face of
finding a reliable econometric model to prevent this volatility, this
paper proceeds to empirical investigation of oil market in OPEP
countries ARCH (R.F.Engel, 1982) and GARCH (T.Bollerselv, 1986)
models have been applied in modeling evolution of spot price over
time with an aim to exact a volatility measurement.
Key words
Volatility, spot price, ARCH model, GARCH model, Autoregressif
model, financial series.
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Remerciements
Merci au grand Dieu de m’avoir donné la force, la patience et le courage de

mener ce travail jusqu’à la fin.
Je tiens, en premier lieu, à remercier mon encadreur, le Professeur Ahmed

AMEUR AMEUR et l’enseignante Mme. Meriem BOUGUEROUA d’avoir accepté de
diriger ce mémoire.
Je suis particulièrement reconnaissante pour leur lecture attentive de la version

du manuscrit, pour leur générosité et leur conseil méthodologique et scientifique malgré
ses importantes et occupantes fonctions.
J’exprime aussi mes précieux sentiments de gratitude et de reconnaissance à

tous ceux qui m’ont enseigné, notamment, les cadres enseignants de la faculté des
sciences économiques, commerciales et des sciences de gestion, Université
ABDELHAMIB IBNOU BADIS de Mostaganem.
Je tiens en deuxième lieu à remercier les membres du jury pour avoir accepté
d’évaluer ce travail de recherche et de participer à la soutenance. Je tiens encore à dire
combien j’apprécie tous ce qui m’a soutenu durant la préparation de ce mémoire, plus
particulièrement, ma famille et mes amis.
Mes remercîments vont aussi à tous ceux qui ont collaboré à l’accomplissement
de ce travail de prés ou de loin.
Par ailleurs, aussi attentive que soit la préparation d’un manuscrit d’un
mémoire, erreurs et incohérence peuvent subsister. Je m’excuse d’avance auprès des
lecteurs et tout mes remercions de bien vouloir me les communiquer.
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Dédicace
Je dédie ce travail à mon marie, mes chers parents, mon frère et mes
sœurs, pour leur générosité, leur encouragement et leur soutien.
Je dédie aussi le travail à mes beaux parents, mes beaux frères et mes
belles sœurs, pour leur encouragement.

PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Sommaire
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Introduction générale......................................................................................................... 4
CHAPITRE I : Les marchés pétroliers et la volatilité des prix du pétrolier .............. 10

Introduction ....................................................................................................................... 10
1.1. Le marché pétrolier ................................................................................................. 11
1.2. Le prix du pétrole ................................................................................................... 16
1.3. Les crises pétrolières .............................................................................................. 32
1.4. La volatilité .............................................................................................................. 36
CHAPITRE II : Techniques d’analyse et de prévision des séries financières ARCH

et (G)ARCH ...................................................................................................................... 44
Introduction ........................................................................................................................ 44
2.1. Rappel des concepts techniques ................................................................................ 46
2.2. Les modèles ARMA et les série financières .............................................................. 52
2.3. Les modèles ARCH et (G)ARCH ............................................................................. 57
2.4. Processus de type GARCH (1986 : Tim Bollerselv) .......................................................65
2.5. Modèle ARMA-GARCH (1986 : Weiss) ..........................................................................70
2.6. La prévision ................................................................................................................ 71
CHAPITRE III : La prévision de la volatilité des prix du pétrole par les modèles
ARCH et (G)ARCH ......................................................................................................... 81
Introduction ....................................................................................................................... 81
3.1. Modélisation de la volatilité du prix du pétrole par les modèles ARCH et (G)ARCH
……………………………………………………………………………………..82
3.2. Modélisation de la série des prix Spot du pétrole ............................................................95
3.3. La Prévision sur les prix de brut par ARCH ...................................................................111
Conclusion générale ......................................................................................................... 118

Bibliographie .................................................................................................................... 122
ANNEXES ....................................................................................................................... 130
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Introduction générale
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Dans les dernières décennies, de nombreux travaux de recherche ont été

consacrés à l’étude des prix du baril de pétrole qui y est par nature très volatil, environ 30
fois plus que l’indice des prix à la consommation français. L'analyse des prix du pétrole
est une préoccupation qui est loin d'être nouvelle pour les économistes et les investisseurs.
Plusieurs raisons sont à la base d'un tel intérêt. Le pétrole est considéré comme la matière
première la plus essentiel au développement industriel car c’est un facteur de production
essentiel et même pour l’évolution du domaine des transports, le pétrole est à la fois une
source d'énergie majeure pour toute économie moderne. Une autre motivation pour étudier
le prix du pétrole est sa volatilité car des fluctuations brutales des prix du pétrole peuvent
avoir des conséquences très graves sur l'économie mondiale.
Bien entendu, le prix du pétrole est toujours influencé par des facteurs politiques.
De plus, le marché pétrolier s’est beaucoup transformé depuis les années quatre-vingts
avec l'émergence de marchés "future" pour le pétrole. L'abandon d'un système de prix
administrés au profit d'un système de marchés a certes aidé à déterminer le prix réel du
pétrole. Mais il a aussi contribué à sa volatilité. Cette volatilité des prix de cette matière
provoque l’apparition des crises appelé « crises pétrolières » et qui y ont des effets plus au
moins grave sur les économies des pays importatrices et exportatrices du pétrole donc sur
l’économie mondiale.
En raison des préoccupations traditionnelles concernant le pétrole, les chercheurs

se sont principalement intéressés aux problèmes de ruptures graves, c'est-à-dire les crises
pétrolières, ces problèmes restent importants. Cependant, dans les économies modernes.
La volatilité des prix du pétrole est tout aussi prononcée à court terme. Dans ce contexte,
il semble essentiel de tenir compte des crises pétrolières sur la volatilité.
La modélisation et la prévision de la volatilité des prix du pétrole qui a déjà

conduit à beaucoup de travaux. Reste encore un défi technique. Parmi les modèles les plus
populaires dans le cas du pétrole nous avons retenu les suivants : un modèle ARMA qui
est considéré comme un modèle de prévision classique avec une hypothèse d’une
4
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
volatilité constante, et un modèle ARCH qu’on essaye dans ce travail de vérifier sa

robustesse en matière de prévision.
La problématique du travail
Depuis le mois de février 2011, l’instabilité géopolitique qui règne dans de

nombreux pays producteurs de pétrole a maintenu le baril de pétrole au-dessus du seuil de
100 dollars. Ainsi, en avril 2011, au plus fort de la crise libyenne, le prix mensuel du Baril
avait atteint 124 dollars. La résolution du conflit l’a fait baisser aux alentours de 110
dollars. Mais depuis la fin du mois de janvier 2012, le durcissement de la position de
l’Union européenne et des États-Unis face à l’Iran, deuxième plus gros producteur de
l’OPEP, a fait à nouveau grimper les cours au niveau d’avril 2011. Avec le risque de
frappes sélectives sur l’Iran et la menace de tensions dans le détroit d’Ormuz, le prix du
baril reste à des niveaux élevés : depuis la mi-février 2012, il oscille entre 120 et 130
dollars le baril. Ces variations préoccupe les économies des pays consommateurs ou
offreurs du pétrole, en sens technique la forte volatilité des prix du pétrole rend la
prévision des prix compliqué et très difficile car cela, nécessite une modélisation par des
modèles développé qui améliore la qualité des estimateurs et la qualité de la prévision.
Au vu de ces événements et à l’intérêt général qui nécessite l’examen et l’étude

approfondie sur la variation des prix du pétrole se pose les questions suivantes :
Faut-il toujours craindre la volatilité des prix du pétrole qui entrainent plusieurs crises
pétrolières?
Peut-on minimiser les effets négatifs de la volatilité des prix du pétrole sur l’économie
par l’intégration d’un modèle de prévision dans le système d’étude et d’analyse du secteur
d’énergie?
Est-que les méthodes de prévision à cours terme sont utiles pour prévenir la volatilité des
prix du pétrole ?
Est-que un modèle de type ARCH peut offrir des réponses sur le comportement de la
volatilité des prix du pétrole et plus précisément en terme de prévision ?
5
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
C’est à ces questions que la présente étude, qui s’inscrit dans la logique des travaux
réalisés jusque là sur la prévision de la volatilité des prix du pétrole et les techniques
d’analyse et d’étude des séries financières tente de répondre.
Hypothèses
Dans notre scénario prévisionnel, nous faisons l’hypothèse de l’absence d’un

quatrième choc pétrolier, au sens des chocs des années 1970, mais plutôt à la
poursuite de la tendance haussière du prix du pétrole, liée aux fondamentaux : dans
un contexte général marqué par une forte instabilité géopolitique (Nigéria, Soudan,
Syrie, Yémen), le baril demeurerait à 110 dollars en moyenne, la demande toujours
dynamique des pays émergents compensant la baisse dans les pays développés.
L’apparition d’une forte volatilité au cours des dernier mois de l’année 2015.
Le prix du pétrole varie légèrement vers la baisse à court terme dû à la présence
d’un choc autonome de demande mondial du pétrole.
La modélisation ARCH (autorégressive hétéroscédasticité conditionnelle) facilite la
compréhension de la volatilité sur les marchés financiers et améliore les estimations
et l’analyse de la volatilité observé dans les séries des prix du pétrole.
Objectif
Le principal objectif qui nous incitent à la sélection principale de ce thème est

l'intérêt et la volonté de l’Etat de minimiser et gérer les actions négatives des cries
pétrolières, Ce travail procède à l’investigation empirique du marché pétrolier de
l’O.P.E.P. la modélisation de l’évolution du prix spot au cours du temps dans le but
d’extraire une mesure de volatilité est effectuée à l’aide du modèle ARCH (R.F. Engle,
1982) puis GARCH (T.Bollerslev,1986) et de permettre aux décideurs de réduire
l’incertitude autour des décisions futures des agents économiques.
La méthodologie
L'étude de ce thème semble être importante du fait qu'elle se distingue des autres.
En outre, elle peut nous apporter des éclairages sur l'impact de la forte nervosité au sien
du marché pétrolier sur le prix du pétrole. Pour bien mener cette étude, et pour pouvoir
6
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
répondre à notre problématique, nous avons mené d’abord une étude théorique suivie
ensuite d’une étude analytique qui à nécessité :
Une recherche bibliographique qui nous a permis de cerner notre

problématique, de fixer les objectifs de notre analyse et de prendre
connaissance des aspects théoriques liés, notamment au développement du
domaine économétrique et à l’apparition des nouvelles techniques qui ont
mené la phase de la prévision très fiable et facile. Cela, constituent un des
principaux axes de notre analyse ;
Une analyse de données statistiques et économétriques portant sur l’évolution
des prix spot du pétrole brut.
Structuration du travail
Afin de répondre à notre problématique, nous avons structuré notre travail en

trois chapitres:
Le premier chapitre intitulé : « Les marchés pétroliers et la volatilité des prix

du pétrole» sera consacrée à des différents types de marchés pétroliers et les fondements
théoriques des chocs et contre choc pétrolier et de volatilité du marché pétrolier. Nous
présentons ainsi une étude historique du prix du pétrole et sa détermination, ainsi qu'une
représentation des crises pétrolières.
Le deuxième chapitre intitulé : « Techniques d’analyse et de prévision des

séries Financières ARCH et (G)ARCH», ce chapitre sera consacré à une étude
théorique sur les méthodes de prévision des séries temporelles citant les modèles ARMA
est les différent classes des modèles ARCH avec un concept de base sur les différent
termes économétriques utilisés dans le travail.
Ensuite, une application empirique sur le marché pétrolier sera présentée dans le
troisième chapitre intitulé : « La prévision de la volatilité des prix du pétrole par les
modèles ARCH et (G)ARCH » afin, de modéliser l’évolution du prix spot du pétrole.
Au cours du temps et cela, dans le but d’extraire une mesure de volatilité à l’aide des
modèles ARCH et GARCH, le chapitre scinde en trois sections.
7
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Dans ce travail on va adopter deux modes d'approches descriptifs et quantitatifs

dans l’analyse du sujet pour obtenir les résultats souhaités, et recueillir des données
provenant de différentes sources :
Rapports et brochures de l’Organisation des pays exportateurs de pétrole OPEC ;

Bulletins et rapports de l’Organisation des pays exportateurs de pétrole OPEC ;
Statistiques annuelles du Fonds monétaire international (FMI)
8
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
CHAPITRE I
Les marchés pétroliers
et la volatilité des prix
du pétrole
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
Chapitre I : Les marchés pétroliers et la volatilité des prix du
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
CHAPITRE Les marchés pétroliers et la volatilité des prix du

pétrolier
Introduction
Le marché pétrolier est considéré comme le plus grand marché de matières

premières produites au niveau mondial. Il connait depuis longtemps d’important
développement et de grandes perturbations qui génèrent des risques d’incertitudes quant à
la stabilité de l’économie mondiale. Ainsi, aux compagnies pétrolières et aux traders sont
venus s’ajouter les banques d’investissement, les gestionnaires de fonds mutuels ou de
fons de pensions, les compagnies d’assurance et les fonds spéculatifs1.
Il a évolué d’un marché de commerce vers un marché financier où les horizons des
échanges s’étendent au-delà de dix ans. Cette évolution s’est accompagnée par
l’apparition de nouveaux intervenants sur le marché pétrolier. Cette financiarisation du
marché du pétrole brut a entrainé des fluctuations (volatilités) accrues du prix du pétrole.
En effet, l’élargissement de ce marché à d’autre intervenant s’est accompagné par
l’introduction des instruments dérivés qui ont bouleversé les modalités de fixation des prix
du baril entrainant ainsi son instabilité. Si la fonction économique centrale des marchés
dérivés est la gestion des risques du prix, ils rendent aussi possible la spéculation et
l’arbitrage considérés comme facteurs de déstabilisation de ces prix.
Il est utile de bien connaitre le fonctionnement du marché pétrolier et en particulier

la manière dont s’opère la détermination des prix de ce produit. Deux principales séries de
facteurs permettent d’expliquer les raisons de l’instabilité des marchés pétroliers et les
fortes crises pétrolières à savoir les facteurs déstabilisants des fondamentaux du marché
(offre et demande) et les facteurs financiers ayant trait à la spéculation sur les marchés à
terme et au cours du dollar américain.
1
AMIC Etienne, DARMOIS Gilles et FAVENNEC J-P., « L’énergie, a quel prix ? Les marchés de l’énergie »
Ed.Technip, Paris, 2006, P.31.
10
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Dans ce chapitre nous essayons de faire une projection sur la définition du marché
pétrolier, ses différents types ainsi que leurs fonctionnements d’un côté, et les modalités
de détermination des prix du pétrole d’un autre côté en passant par l’instabilité et la forte
volatilité du prix du pétrole et l’historique des différents crises pétrolières qui ont touché
le marché du pétrole.
1.1. Le marché pétrolier

Actuellement, le pétrole est la principale source d’énergie dans le monde et le
moteur de toute économie. L’échange de cette matière importante s’effectue dans un
marché appelé le marché du pétrole. C’est un lieu où se rencontre l’offre et la demande de
pétrole et de produits pétroliers. C’est sur ce marché que se forme le prix du baril de
pétrole et ses divers dérivés.
Ce marché du pétrole est devenu, au cours des vingt dernières années, le plus grand
marché de matières premières au monde. Il a connu de grandes évolutions passant d’un
simple marché de commerce physique de pétrole et de produits pétroliers vers un marché
financier sophistiqué où les horizons des échanges s’entendent d’aujourd’hui au-delà de
dix ans, ces évolutions se sont toujours coïncidées avec des périodes de fortes fluctuations
des prix du pétrole telle que celles de 1973, 1979 et 1986. Au cours de son évolution, le
marché international du pétrole a attiré un grand nombre d’intervenants citant les
producteurs de pétrole, les consommateurs de pétrole et les négociants en pétrole. En
effet, suite à l’évolution du marché pétrolier, il présent actuellement une gamme complète
d’instruments d’intermédiation et de couverture contre les risques de hausse et de baisse
des prix du pétrole. Il joue un rôle de lissage dans le temps grâce à des échanges de
contrats à différents termes qui permettent d’amortir les chocs d’offre et de la demande.
Le commerce du pétrole brut2 ne se déroule pas dans un seul type de marché. On

distingue deux types de marchés pétroliers différents l’un de l’autre dans le
fonctionnement à savoir ; le marché physique et le marché financier
2
Le pétrole brut est le produit le plus important et le plus activement transigé partout dans le mande, comme il y a de
nombreuses variétés et qualités de pétrole brut.
11
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
1.1.1. Le marché physique
Une grande partie du commerce du pétrole concerne des contrats à long terme
entre vendeurs et acheteurs sous forme de transactions à terme. Néanmoins, il arrive
souvent que les négociants veulent aussi acheter ou vendre du pétrole à court terme à
cause de la demande qui évolue différemment que prévu, ou a cause des fluctuations de
prix du pétrole. Comme la marchandise part alors sur place (en anglais «on the spot3»)
pour une autre destination, les transactions se déroulent en général environ en deux
semaines. On désigne ce type de commerce par marché spot ou, aussi, marché libre ou au
comptant. Aussi, on peut distinguer un deuxième type de marché pétrolier ou se déroule la
plus part des transactions, c’est le marché à terme ou marché des contrats à terme, appelé
aussi forward4. C’est un marché où les règlements se font à une échéance ultérieur, et
prévue à l’avance de celle où les transactions sont conclues.
a) Le marché physique au comptant
Le marché physique au comptant5 ou de spot désigne un marché du « moment » et

du « lieu ». C’est un marché où un acheteur et un vendeur cherchent à conclure une
transaction, à un moment donné, à un certain prix, pour une cargaison déterminée et
livrable en un certain lieu. Ce type de marché fonctionne selon les mécanismes de la loi de
l’offre et de la demande d’où son nom (marché libre), la confrontation entre l’offre des
vendeurs et de la demande des acheteurs de pétrole sur le marché spot (libre) permet de
fixer un prix spot du pétrole. Le marché au comptant n’a pas un lieu physique bien
déterminé et il fonctionne 24 heurs sur 24.
Au début des années 80, le marché spot est devenu un marché de référence du
pétrole brut. Un ensemble d’éléments étaient en fait à l’origine de l’essor du marché spot
entant que marché de référence, parmi lesquels, on citera notamment :
3
Spot est un mot anglais désigne les transactions « au comptant »où indique une date de valeur, qui est la date
du jour.
4
Forward : contrat à terme, considéré comme un produit dérivé.
5
Marché physique au comptant est appelé marché « Spot » (à court terme).
12
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
La substitution à l’offre de l’OPEP et l’accroissement de l’offre dite Non-OPEP ou
Hors-OPEP (l’ensemble des pays producteurs du pétrole qui ne sont pas membre
de l’OPEP) ;
La contraction de la demande due à la récession et à la rationalisation des usages
du pétrole suite aux effets du second choc pétrolier 1979 – 1980.
Une telle situation dans laquelle le marché est excédentaire (offre supérieure à la
demande) provoque une baisse du prix spot du pétrole et des produits pétroliers ce qui
incite les acheteurs à recourir au marché physique au comptant pour satisfaire leurs
besoins accroissant, ainsi le volume des transactions effectuées sur ce type de marché
pétrolier et diminuant celles effectuées dans le cadre des contrats à long terme.
Dans le cas d’un marché déficitaire (offre inférieur à la demande), le prix spot
connaitra une hausse par rapport au prix fixé par les contrats à long terme 6 , et les
producteurs vendeurs du pétrole et des produits pétroliers préfèreront l’intervention et la
vente sur le marché spot en passant des transactions au jour plutôt que des contrats de
longue durée.
Au delà, on distingue sept principaux marchés physiques au comptant existent à

travers le monde.ces marchés sont différents les uns par rapport aux autres, du fait qu’ils
traitent différents pétrole bruts et produits raffinés.
a- Le marché de Rotterdam est le marché physique le plus important et cela pour le

traitement de plusieurs pétroles bruts et produits raffinés ;
b- Le marché méditerranéen traite des bruts de différentes qualités d’origines russes,
libyennes et iraniennes;
c- Le marché du Golf du Moyen Orient traite des bruts d’Oman et des Emirat Arabe
Unis. Et aussi de petites quantités de bruts d’Arabie saoudite ;
d- Le marché de l’extrême Orient traite les bruts du Moyen Orient et aussi des
quantités limitées des bruts de Malaisie et d’Inde ;
6
Ces caractéristiques du prix spot ont été perçues lors de l’essai de modélisation VAR du marché du pétrole (cf.
Labys W., Murcia V., Terraza M., 1992).
13
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
e- Le marché des Etats Unies traite les bruts américains et quelques bruts Latino-
américains ;
f- Le marché de la Mer du Nord traite les bruts de Norvège et du Royaume-Unis ;
g- Le marché de l’Afrique de l’Ouest traite des bruts du Nigéria et d’Angola.
Figure N° 01 Les grands marchés spot pétroliers internationaux
Source : Un dossier réalisé par la direction des matières premières et des hydrocarbures DIMAH
b) Le marché physique terme
Le marché physique à terme ou à livraison différée du pétrole, appelé aussi

« marché forward », est un marché sur lequel s’échangent des cargaisons de pétrole à une
date ultérieure et pour un prix immédiatement fixé. L’achat et la vente des cargaisons
14
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
physiques se font pour des dates de changement non connues au moment de la transaction.
En effet, le marché physique à livraison différée est un marché de « gré à gré » dont
l’acheteur et le vendeur décrivent dans un contrat « ferme » sur mesure toutes les
conditions de leur transaction qui doivent être respectées par les deux parties du contrat.
Le marché physique à livraison différée est utilisé par les vendeurs pour garantir
l’écoulement de leur production future, et par les acquéreurs pour sécuriser leur
approvisionnement, tout en bénéficiant de l’avantage de négocier et de fixer le prix au
moment de la signature du contrat forward. Toute fois, ce type de transactions a
prédominé uniquement jusqu’aux années soixante-dix pour céder la place au
développement du marché physique au comptant et des marchés de couverture à terme.
Son principal inconvénient a été le manque de souplesse ou de flexibilité, en effet, dans ce
type de contrat, l’une des deux parties (acheteur et vendeur) ne peut se retirer qu’à
condition de trouver un tiers de substituant homogènes qu’ils ne peuvent donc pas
revendues aisément à un tiers.
1.1.2. Le marché financier (future)
Ce marché financier est appelé également le marché à terme financier de pétrole ou

encore le « marché de papier ». Le marché à terme financier du pétrole peut être aussi
défini comme un marché sur lequel s’échangent des promesses de vente et d’achat de
pétrole brut ou d’un produit pétrolier déterminé, pour une date ultérieure et moyennant un
prix immédiatement fixé. Mais peu de contrats arrivent à échéance et donnent lieu à une
transaction physique.
Ce marché prend sa définition sur la base de son système de transaction, sur lequel
s’échangent des baril-titres (en anglais; paper barrel). Ce type de système est apparu au
milieu des années 1980. Il s’agit de contrats à terme négociés sur les bourses de matières
premières en particulier à New York (le NYMEX « New York Mercantile Exchange »), à
Londres (l’IPE « International Petroleum Exchange ») et à Singapour (le SIMEX
« Singapor International Monetary Exchange »).
15
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Le marché à terme est assimilé souvent au marché financier dans le sens où il traite
toutes les transactions financières qui servent, dans la majeure partie des cas, à se couvrir
contre des fluctuations du prix du pétrole. Cela étant, on peut se demander si ces marchés
à termes jouent bien leurs rôles de couverture contre l’incertitude des prix futurs du
pétrole, devant la montée de l’utilisation des outils de couverture sous formes
spéculatives.
Les différents marchés du pétrole brut existants et présenté dans la section

précédente servent à la fixation des prix du pétrole et à l’étude et l’analyse de l’évolution
des prix du pétrole.
1.2. Le prix du pétrole
Le prix du pétrole est fixé sur le marché mondial. Le pétrole fait l’objet d’un
commerce intense partout dans le monde et il peut être facilement expédié d’un marché à
un autre. Par conséquent, le marché du pétrole s’étend à toute la planète et l’équilibre
entre l’offre et la demande détermine le prix du brut partout dans le monde.
Les prix du pétrole brut sont très complexes, car il n’existe pas un seul type de
pétrole brut mais une multitude, avec différentes caractéristiques. Sept marchés physiques
(au comptant) déterminent chacun les prix de plusieurs bruts. Aujourd’hui, on assiste au
développement des marchés financiers qui servent à la fixation des prix du pétrole et les
rendent très volatiles.
Dans le graphe ci-dessus on présente les différents facteurs qui servent à la fixation
des prix du pétrole.
16
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Figure N° 02 Les facteurs qui servent la fixation des prix du pétrole.
Source : Centre de Géopolitique de l’énergie et des matières premières
1.2.1. Un historique sur le prix du pétrole:

Le pétrole est l’un des facteurs clés de l’économie mondiale, son prix résulte de la
confrontation de l’offre et la demande sur le marché mondial. De ce fait, le prix du pétrole
reste toujours sensible et réagit facilement aux crises politiques et économiques ou aux
changements de la politique de production. Et delà, dans cette section on va projeter les
phases les plus importantes dans l’évolution des prix du pétrole.
1.2.1.1 La fondation de l’OPEP

Dans cette période la situation a grandement évolué, le prix du pétrole était
largement sous contrôle. Les compagnies pétrolières multinationales du secteur privé
dominaient et établissaient le commerce pétrolier, et même la liste des prix du pétrole.
Encore au début des années 60, un baril de pétrole coutait entre deux dollars et demi et
trois dollars, guère plus que durant la Seconde guerre mondiale.
Au vu des bénéfices importants des compagnies pétrolières, les pays producteurs

ont revendiqué une augmentation de leurs revenus, alors que les compagnies pétrolières
s’employaient à diminuer encore leurs prix. Pour préserver leurs intérêts et prévenir un
effondrement des prix du pétrole, cinq des plus importants Etats producteurs se sont
17
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
groupés et ont créé, en 1960, l’organisation des pays exportateurs de pétrole (OPEP).
L’OPEP compte aujourd’hui onze pays membres: les cinq Etats fondateurs Iran, Irak,
Koweït, Arabie saoudite et Venezuela, ainsi que six autres, Algérie, Libye, Nigeria,
Indonésie, Qatar et Emirats arabes unis.
1.2.1.2 La variation des prix du pétrole dans les années 70 et 80

La première démonstration de puissance de l’OPEP remonte à 1973. Suite au
déclenchement de la guerre au Proche-Orient, elle refuse les livraisons de pétrole vers les
Etats-Unis et les Pays-Bas, provoquant ainsi une crise. Cette dernière, encore que plus
psychologique que physique, a fait flamber le prix du pétrole de 40 pour cent en l’espace
de six mois. Même si les prix sont redescendus au terme de l’embargo, ce soudain regain
de confiance en soi des pays producteurs a changé la donne sur le marché pétrolier. Jusque
vers le milieu des années quatre-vingt, l’OPEP a maîtrisé l’évolution des prix du pétrole.
Cette domination n’était pas due au hasard: aujourd’hui encore, les onze pays membres de
l’OPEP détiennent trois quarts des réserves mondiales de pétrole et fournissent quelque
40% de la production mondiale de pétrole.
1.2.1.3 La perte d’influence de l’OPEP

Le renversement du régime iranien et la guerre Iran-Irak qui s’en est suivie ont fait
grimper le prix du pétrole, comme jamais auparavant, à 35 dollars entre 1979 et 1981.
Toutefois, de nouvelles restructurations du marché pétrolier ont stimulé la concurrence et
entraîné la baisse des prix à dix dollars le baril. Les membres de l’OPEP ont réagi en
fixant des quotas de production. Au travers de cette diminution artificielle de l’offre de
pétrole, ils ont essayé de stabiliser les prix. La part croissante des producteurs de pétrole
hors OPEP, et aussi le manque de discipline des membres de l’OPEP au niveau de la
production, ont commencé à miner peu à peu l’influence du cartel. L’offre de pétrole étant
abondante, les prix n’ont guère excédé les 20 dollars le baril dans les années nonante. En
1999, la crise imprévue en Asie a déclenché l’effondrement des prix à un niveau record
au-dessous de 10 dollars.
1.2.1.4 Le prix du pétrole depuis l’an 2000

Aujourd’hui, l’OPEP ne détermine plus les prix du pétrole de façon autonome.
Toutefois, le prix moyen du panier OPEP reste un indicateur de valeur pour la branche.
18
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Dès lors que, de toute évidence, des prix élevés du pétrole affaiblissent l’économie
mondiale, et diminuent du même coup la demande de pétrole et la capacité de concurrence
à long terme de cette source d’énergie, tous les producteurs de pétrole membres de
l’OPEP ou pas ont intérêt à des prix stables, mais pas excessivement élevés.
La flambée des prix du pétrole au tournant du siècle relève d’une multitude de facteurs.
Les prix reflètent moins la situation actuelle de l’approvisionnement que l’attente des
opérateurs du marché. La forte croissance économique dans le Sud-Est asiatique, la
crainte d’actes terroristes et l’utilisation intense des capacités de production et de
traitement peuvent influer sur l’approvisionnement futur en pétrole et maintenir des prix
élevés. Mais ces derniers, à leur tour, créent un attrait pour de nouveaux investissements,
ce qui élargit l’offre.
1.2.1.5 La crise financière de 2008
Les perturbations sur les marchés financiers peuvent porter plusieurs noms selon
les phénomènes qui manifestent sur la place. La crise de subprimes ou « subprime
mortgage crisis » est une crise qui a touché le secteur des prêts hypothécaires américains
et qui a participé au déclenchement de la crise financière de 2007-2008
La crise de subprime a affecter profondément le marché du pétrole en provoquant un pic

très important a tendance haussière dans l’évolution des prix du pétrole ce qui a entrainé
un choc pétrolier appelé le choc de 2008. C’est un choc de demande. Ce choc a débuté en
2008 avec une explosion des cours du pétrole dont les raisons sont principalement :
Augmentation de la demande des pays émergents, en effet, la montée en puissance de

la Chine, l’Inde et d’autre pays asiatiques sur les marchés mondiaux s’est
accompagnée d’une hausse de leurs besoins en produits pétroliers ;
L’augmentation de la demande des Etats-Unis suite à la baisse de ses capacités de
production à partir de 2005 et suite à la vague de froid ;
L’instabilité politique des pays du Moyen-Orient notamment avec la guerre en Irak ce
qui a entrainé une réduction du volume total de la production mondiale ;
La spéculation sur le marché mondial pétrolier et la baisse ininterrompue de la valeur
du dollar ;
19
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Les attentats contre des infrastructures pétrolières au Nigeria (un grand pays
producteur de pétrole en Afrique) ;
L’inflation mondiale a aussi contribué à alimenter la hausse des prix du pétrole devenu
une « valeur refuge » trop demandée, notamment par les spéculateurs, afin d’éviter les
pertes dues à la dévaluation du dollar sur le marché.
Par conséquent, le prix du baril de brut a pu franchir le seuil des 100 dollars. Il était
de 51,51 dollars/baril en janvier 2007 pour passer à 145,85 dollars/baril en juillet
2008.cette année restera probablement dans les annales pétrolières au même titre que les
chocs pétroliers de 1973 et 1980, le contrechoc de 1986 ou la rupture de 2004 en termes
de demande. La hausse des prix a en effet été exceptionnelle jusqu’au mois de juillet ainsi
évidemment que le décrochage rapide et massif observé ensuite. Cela traduit le résultat
d’une myopie de l’ensemble des acteurs face au retournement économique très mal
anticipé.
1.2.1.6 Fin 2011 début 2012 (de la crise libyenne la crise iranienne)
Les changements géopolitiques provoquent la volatilité des cours pétroliers, dans
ce contexte l’Institut français du pétrole a estimé ainsi le montant de la prime de risque
associée au conflit en Libye à 15-20 dollars par baril. Après la mini-flambée en avril
2011, avec un pic à 126 dollars, la résolution assez rapide de la crise libyenne a permis le
recul des prix du baril en dessous de 110 dollars au quatrième trimestre 2011. En outre, la
production libyenne, qui était tombée à 0 en août 2011 a progressé pour atteindre plus d’1
million de barils par jour (Mbj) selon la National Oil Company libyenne. Après
l’amélioration des cours du pétrole en fin d’année, une nouvelle crise est intervenue début
2012, avec le renforcement des sanctions de l’Union européenne vis-à-vis de l’Iran. Le 23
janvier 2012, l’Union européenne a ainsi décidé un embargo pétrolier graduel contre
l’Iran, prévoyant l’annulation de tous les contrats existants au 1er juillet, pour laisser le
temps aux pays les plus dépendants du pétrole iranien (Grèce, Espagne, Italie) de trouver
d’autres sources d’approvisionnement. En réponse, l’Iran a menacé de suspendre
immédiatement toutes ses exportations vers l’Union européenne. La conséquence directe a
été une augmentation du prix du pétrole, qui a atteint 120 dollars en moyenne en février
2012. Pourtant, le marché est plutôt équilibré, avec une offre égale à la demande au
20
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
premier trimestre 2012 mais la crainte de pénuries subites a induit une nouvelle poussée
des cours du pétrole. La volatilité du prix du pétrole et la nervosité des marchés pétroliers
est palpable, comme en atteste l’augmentation du volume de positions ouvertes sur les
marchés des Futures.
1.2.1.7 La stabilité des prix du pétrole en 2013

L’année 2013 a été remarquée par une stabilité des cours pétroliers, l’offre
mondiale a progressé de 0,45 Mbj entre juin et décembre 2013. L’essentiel de cette hausse
est le fait des producteurs non membres de l’OPEP, notamment les États-Unis.
En revanche, l’offre des membres de l’OPEP a décru depuis fin 2012, surtout en
raison des ruptures d’approvisionnement en Libye, aux vols et sabotages qui se
poursuivent au Nigéria et aux sanctions contre l’Iran, qui n’ont pas été totalement
compensées par l’Arabie Saoudite. La production iranienne reste à des niveaux
historiquement bas, elle atteint 2,7 Mbj en janvier 2014. Sur le plan de la demande, on
observe un rééquilibrage en faveur des pays de l’OCDE, dont la demande s’est raffermie
au deuxième semestre 2013.
Au premier semestre, on a assisté à une baisse radical de l’écart de prix entre le

Western Texas Intermediate (WIT) étatsunien et le Brent européen le spread est passé de
18 dollars en janvier 2013 à 3 dollars en juillet 2013, grâce à la mise en place de nouvelles
infrastructures à Cushing, Oklahoma, et à la hausse de la production de brut léger aux
États-Unis qui s’est substituée à l’importation de Brent. Pourtant, au deuxième semestre,
l’écart s’est à nouveau creusé, en raison des tensions croissantes sur la Syrie et la Libye
qui ont poussé le Brent à la hausse, et d’une nouvelle hausse des niveaux de stock à
Cushing. Au troisième trimestre, les stocks américains ont retrouvé leur haut niveau de
2010, soit 97 jours de demande.
21
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Figure N° 03 Evolution des trois indices pétroliers de références 2005 février 2014.
Source : Céline Antonine, Fiche pays département d’analyse et de prévision, « pétrole: une stabilité
durable »,2013.
1.2.1.8 La baisse des cours en 2014

Le prix du pétrole a évolué sur les six premiers mois de 2014 entre 107 et 112 $/b,
soit des niveaux poches des moyennes annuelles observées depuis 2011 (111 à 108 $/b)
En moyenne mensuelle. Il a été affecté ponctuellement par les tensions géopolitiques, par
exemple en février, quand la Russie a mis en alerte ses troupes le long de sa frontière avec
l'Ukraine, ou en juin avec les conflits du nord de l'Irak. Mais l'absence d'impact sur la
production a permis d'éviter des pressions sur les prix du pétrole. Il y a même eu de
bonnes nouvelles avec la relance de la production libyenne à partir du mois d'août, relance
qui reste fragile compte tenu du contexte intérieur très instable.
Après quatre années de stabilité autour de 105 dollars le baril, le prix du pétrole a
fortement chuté depuis juin 2014.John Baffes, Ayhan Kose, Franziska Ohnsorge et Marc
Stocher (2015) ont analysé les causes de la baisse des prix du pétrole et ses répercussions
macroéconomiques et financières.
La chute des prix du pétrole est importante et possède plusieurs caractéristiques
que l’on retrouve également avec la chute des années 1985-1986, cette chute des prix
suivait une période de forte expansion de l’offre de pétrole de la part des producteurs
n’appartenant pas à l’OPEP et elle résulte de la décision de l’OPEP d’accroitre sa
production et cette chute s’explique principalement par un affaiblissement de la demande
mondiale et par plusieurs facteurs :
22
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
- Plusieurs années de hausses surprise de la production de pétrole non conventionnel ;
- Une faible demande mondiale ;
- Un changement significatif de la politique de l’OPEP ;
- L’assouplissement de certains risques géopolitique (réduisant les craintes de
perturbation dans l’approvisionnement) ;
- Une appréciation du dollar américain.
Les estimations empiriques que réalisent Baffes et ses coauteurs suggèrent que les
facteurs relatifs à l’offre expliquent davantage la baisse des prix du pétrole que les
facteurs relatifs à la demande. Dans la mesure où la plupart des facteurs à l’origine de la
baisse des prix du pétrole sont susceptibles d’être toujours à l’œuvre à moyen terme, les
prix du pétrole devraient rester à un niveau durablement faible, sans pour autant cesser
d’être volatiles.
Cette chute des prix du pétrole 2014 va entrainer de substantiels transferts de
revenus des pays exportateurs de pétrole vers les pays importateurs, ce qui va stimuler
l’activité économique à moyen terme. L’analyse des données historiques amènent Baffes
et ses coauteurs à estimer qu’une baisse des prix du pétrole de 45%liée à l’offre tend à
accroitre la croissance mondiale de 0,7 à 0,8 points de pourcentage à moyen terme et à
réduire l’inflation mondiale d’environ 1 point de pourcentage à court terme. La baisse des
cours pétroliers va réduire les couts de production des entreprises et accroitre le pouvoir
d’achat des ménages. Le solde extérieur des pays importateurs aura tendance à
s’améliorer.
L’impact économique sur les pays exportateurs sera par contre négatif et bien plus
immédiat. Les pays exportateurs vont connaitre une détérioration de leur solde extérieur
avec la contraction de la valeur des exportations, mais aussi une dégradation du solde
budgétaire avec le tarissement des recettes fiscales tirées de l’exportation du pétrole.les
pays exportateurs auront alors tendance connaitre des sorties de capitaux, des pertes sur
leurs réserves et de brutales dépréciations de leurs devise. Les banques centrales sont alors
incitées à resserrer leur politique monétaire pour stabiliser l’inflation et préserver la
confiance des marchés, ce qui contribuera également à déprimer l’activité domestique.
23
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
À partir de juillet, le marché est entré dans une phase de chute rapide des cours du
pétrole qui sont passés, en moyenne mensuelle, de 112 $/b en juin à moins de 100 $ en
septembre (97 $) pour atteindre 80 $ en novembre et moins de 70 $ début décembre.
1.2.1.9 Les prix du pétrole pour l’année 2015

Sur la base des données de marché disponibles en décembre, une fourchette de prix
compris entre 60 à 80 $/b constitue un scénario crédible en moyenne pour 2015. C’est à
ces niveaux de prix que l’on parvient à réduire les excédents envisageables sur le marché
en renforçant la demande et en réduisant l’offre de tight oil. L’équilibre est atteint pour un
prix de 50 à 60 $/b au premier semestre et de 70 à 80 $/b au second. Il est intéressant de
noter que la correction des prix observée entre juin et décembre 2014 est cohérente avec
cette estimation. Ce n'est donc pas la spéculation qui est en cause mais bien la perception
de l'équilibre offre/demande du marché pétrolier.
À contexte équivalent, des ajustements significatifs ne sont cependant pas à exclure
au fur et à mesure que les effets des prix bas sur l’évolution de la production des tight oil
américains seront mieux connus, dans un sens comme dans l’autre : remontée des cours si
les opérations de forage sont fortement impactées, ou au contraire baisse si les progrès
techniques se poursuivent, notamment si le ciblage des formations à forer s’améliore et les
efforts pour accroître la productivité moyenne des puits continuent de porter leurs fruits.
1.2.2 Les déterminants du prix du pétrole
Contrairement à la majorité des biens et services, ce n’est pas une simple

confrontation de l’offre et de la demande qui permet de déterminer le prix du pétrole.
Mais il y a d’autres facteurs qui influencent sur le prix et qui expliquent une part de sa
volatilité. La volatilité qui mesure les écarts de prix entre deux périodes a été sans aucun
doute en 2008 l’une des plus violentes que l’on a connues dans l’histoire pétrolière. Ce
n’est évidemment pas la seule et il suffit d’examiner l’évolution des prix du pétrole en
dollars constant depuis l’origine de cette industrie jusqu’à la fin du 19e siècle. Pour
rappel, et avant le premier choc pétrolier de 1973-1974, le prix moyen du pétrole de
référence comme le (Arabian Light, le Brent ou le WTI) selon les périodes, était de l’ordre
de 2 dollar le baril. Ensuite, ce prix moyen a dépassé les 12 dollar lors du premier choc
24
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
puis atteint le sommet de 40 dollar lors du deuxième choc en 1979-1980, avant de
redescendre à moins de 10 dollar lors du contre-choc de 1986. Ce même prix a ensuite
atteint les 40 dollar au moment de la guerre du Golfe de 1990 avant de chuter à nouveau à
10 dollar dans les années 1998-1999, franchis en mai 2004, les 50 dollar en septembre
2004, les 70 dollar en 2005 lors de l’ouragan Katerina et le seuil des 100 dollar le baril est
atteint le 2 janvier 2008.
Les prix diminuaient ensuite sensiblement, du fait de certaines problèmes liées à la

crise économique et au ralentissement de la demande en Asie, avant de s’effondrer à
moins de 40 dollar fin 2008, en pleine crise financière et économique mondiale (crise de
suprime). En 2009, les prix ont balancé entre 70 et 80 dollar le baril. En dollars constants
de 2008, c’est seulement vers 90 et 100 dollars le baril que l’on retrouve le niveau atteint
lors du second choc pétrolier (40 dollars à l’époque). Notons que ce niveau élevé avait
déjà été observé au début de l’ère pétrolier, en 1869, à une époque où les prix du pétrole
étaient très volatils aux États-Unis.
Il est d’usage pour pouvoir rendre compte de la complexité de la détermination des

prix de faire appel comme le propose Péter Gobin, au triangle de détermination des prix,
chaque coin du triangle représente un facteur qui a une influence sur le prix du pétrole à
court, moyen et long terme. La figure 05 montre toute la complexité de la formation du
prix du brut. Le contexte économique, l’équilibre offre demande du marché pétrolier, les
aléas divers d’ordre météorologiques ou géopolitiques ainsi que les anticipations
financières constituent les déterminants principaux du prix du pétrole. La croissance
économique, elle-même influencée par le prix du brut, reste l’élément dominant de ce
puzzle. Elle détermine l’évolution de la demande qui va définir la politique d’ajustement
de l’offre des pays membres de l’Organisation des pays exportateurs de pétrole (OPEP).
L’offre des non-OPEP étant en effet toujours à son maximum, c’est l’OPEP qui doit
ajuster sa production au marché pour tenter de limiter les baisses et parfois les hausses
trop importantes.
25
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Figure N° 04 Les déterminants du prix du pétrole.
Contexte économique
Equilibre d’offre/demande du marché
Aléa météorologique ou géopolitique
Anticipation financiers
Source : Revu économique Panorama 2009.
Dans cette section on a étudié les déterminants des prix du pétrole explicatifs qui
interfèrent dans le domaine de l’anticipation de l’évolution du prix de cette matière
importante, ces déterminants sont nombreux et diversifiés. On peut seulement dénombrer
les principaux déterminants retenus dans la littérature et voir dans quelle mesure ils jouent
ou ont pu jouer un rôle. Nous avons retenu neuf facteurs qui, à des degrés divers, peuvent
être considérés comme explicatifs. Ces neuf facteurs sont les suivants : épuisement
prochain des réserves, la disponibilité de l’offre de pétrole et son coût d’accès, le taux
d’utilisation des capacités de production, la capacité d’absorption des économies
exportatrices, le rythme de croissance de la demande de pétrole, le pouvoir de marché de
certains opérateurs, la spéculation sur les marchés, l’évolution du cours du dollar et les
tensions politiques.
1.2.2.1. L’épuisement des réserves
La prise en compte d’une rente de rareté (épuisabilité) dans les anticipations de

prix peut elle expliquer la hausse des prix du brut ? Le pétrole, comme la plupart des
autres sources d’énergie, est une ressource épuisable et cela lui confère un saut particulier.
26
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Le prix de marché de cette ressource doit tenir compte non seulement du coût
d’extraction, mais aussi du coût d’option que constitue cette valeur en terre sacrifiée
(Gaudet et Hung, 1987). Cela conduit à deux conclusions opérationnelles (Percebois,
1997) :
Il existe dans le cas d’une ressource dont la quantité est physiquement limitée une
différence entre la recette marginale et le coût marginal, et cette différence correspond
à un « coût d’usage » (rente de rareté) ;
Le profit marginal du propriétaire de cette ressource épuisable doit croître au cours du
temps, rythme du taux d’intérêt pris comme taux d’actualisation. Il est en effet
indifférent pour ce propriétaire de transformer son stock en terre en un flux monétaire
à la date t avec un profit marginal égal à ou d’opérer cette transformation à la date
(t+n) avec un profit marginal égal à (1+a)t+n où a le taux d’actualisation égal au taux
d’intérêt.
Hotelling en déduit le sentir optimal d’évolution du prix de la ressource suivant la

structure du marché :
En concurrence parfaite, le prix net des coûts d’extraction d’une ressource non
renouvelable doit croître au rythme du taux d’actualisation ;
En situation de monopole (privé), la recette marginale nette des coûts d’extraction
d’une ressource non renouvelable doit croître au rythme d’actualisation. Le prix
d’équilibre diffère du prix de concurrence par la prise en compte d’une rente de
monopole qui est positive dès lors que l’élasticité-prix de la demande est, en valeur
absolue, supérieur à l’unité7.
En peut utiliser cette approche an termes de rente de rareté pour interpréter le

premier choc pétrolier. Au début des années 1970, la demande mondiale de pétrole
augmentait sensiblement plus vite que l’offre disponible sur le marché, du fait d’une
croissance économique soutenue dans les pays de l’OCDE. L’OPEP devait chaque année
trouver 100 millions de tonnes supplémentaires pour équilibrer le marché. Le ratio
réserves/production, qui était 40 ans dans les années 1960, était tombé à 30 ans début
7
Newberry, Economic journal, septembre 1981.
27
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
1970. Anticipant la fin du pétrole, le marché considérait que la hausse des prix était
inéluctable. Des tensions politiques (guerre du Kippour) ont suffi à provoquer cette hausse
des prix, de façon plus brutale et dans un délai plus court que prévu.
1.2.2.2. Les déterminants liés l’offre disponible structure de la

production, taux d’utilisation des capacités disponibles et
coût d’accès au brut
Il faut rappeler qu’à l’échelle mondiale, l’offre de pétrole s’est fortement accrue
depuis le premier choc pétrolier puisqu’on est passé de 56 Mb/j (soit 2 800Mtep par an) en
1973 à 87Mb/j en 2008 (soit 4 350Mtep par an). Mais la structure de l’offre s’est
fortement modifiée depuis ce moment. La part des pays de l’OPEP est passée de 55 à 40%
sur la période, alors que les trois-quarts des réserves prouvées se trouvent localisées au
sien de l’OPEP.
Depuis 1991, la production mondiale de pétrole se fait avec un taux d’utilisation

des capacités de production supérieur à 90%. Le chiffre était de 88% en 1981 et il avait
chuté à 81% lors du contre-choc de 1986. L’AIE a estimé ce taux à prés de 96% en 2007,
ce qui explique les tensions sur le marché international. Des études économétriques
menées par Gately (2004) et Ayouz-Reymondon (2008) tendent à montrer que l’élasticité-
prix de l’offre de pétrole est très faible à court terme, et ne dépasse guère 0,6 à long terme.
Cela peut expliquer en partie l’envolée des prix observée depuis 2007, l’OPEP ayant du
mal à accroître sa production forte de capacités disponibles.
Le progrès technique avait permis de réduire fortement le coût d’accès au brut dans
les années 1980-1990, ce qui explique que les huiles extra-lourdes du bassin de
l’Orénoque au Venezuela, qui jusqu’en 1990 étaient considérées comme exploitables
seulement si le baril dépassait 40 dollars, sont devenues ensuite rentables avec un baril à
20 dollars à la fin des années 1990. Mais les choses ont tendance à changer depuis 2000,
et le coût d’accès au brut s’est élevé sous l’effet de deux facteurs : des coûts directs plus
élevés et des contraintes environnementales plus fortes.
28
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
1.2.2.3. Les déterminants liés la demande
Pour beaucoup d’analystes, c’est dans la forte progression de la demande de

pétrole, celle émanant des pays d’Asie (Chine et Inde) notamment, qu’il faut chercher la
cause principale de la hausse des prix observée en 2007-2008. L’élasticité-prix de la
demande de pétrole est faible à court terme si l’on se réfère à de nombreux travaux
économétriques. Cela tient au fait que le pétrole bénéfice d’usages captifs (dans le secteur
des transports) et que la substitution entre formes d’énergie requiert le plus souvent un
renouvellement de l’équipement.
La chine à elle seul a fortement contribué à l’augmentation de la demande

mondiale, puisque les besoins chinois sont passés de 4,18 Mb/j en 1997 à 7,86Mb/j en
2007. La Chine est ainsi devenue le deuxième plus gros consommateur au monde, derrière
les États-Unis, alors qu’elle n’est que cinquième producteur mondial derrière l’Arabie
saoudite, la Russie, les États-Unis et l’Iran.
1.2.2.4. Le pouvoir de marché des producteurs
Le deuxième choc pétrolier (1979-1981) peut être interprété comme la volonté des
pays de l’OPEP de profiter d’un contexte politique favorable et d’une anticipation à la
hausse des prix du brut pour introduire une rente de monopole dans le prix d’équilibre du
pétrole, en plus de la rente de rareté qui avait été introduite lors du premier choc. Mais très
vite, l’OPEP va être victime d’un effet de ciseaux. La stabilisation de la demande
mondiale de fait des politiques de substitutions entre formes d’énergie et des efforts
d’économies d’énergie, à un moment où l’offre des NOPEP (non OPEP) a pu être
développée grâce à des prix de marché rémunérateurs, va se traduire par une chute de la
part de l’OPEP dans la production mondiale de pétrole était de 54% en 1973,avait déjà
chuté à 47% en 1979 puis à 39% en 1980, avant atteindre le creux de 30% en 1985. La
hausse du cours du dollar entre 1980 et 1986 devait certes atténuer quelque peu le manque
à gagner au niveau des recettes, mais la réalité était alors que l’OPEP, avec 30%, ne
contrôlait plus le marché. Après avoir adopté une stratégie offensive, l’OPEP allait devoir
opter pour une stratégie défensive dès 1982. Il lui fallait choisir entre deux solutions : soit
une stratégie de défense du prix de marché, ce qui impose de mettre en place des quotas
29
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
de production, ce qui sera d’ailleurs la stratégie adoptée en 1983, soit une stratégie de
défense de sa part de marché, ce qui impose d’opter pour une guerre des prix destinée à
faire sortir du marché les producteurs NOPEP dont les coûts de production sont supérieurs
à ceux de l’OPEP. Ce sera la stratégie impulsée fin 1985 par le ministre saoudien du
pétrole, Cheikh Yamani, qui sera un échec relatif. Après l’instauration des quotas en 1983,
la plupart des pays de l’OPEP se sont comportés en « free raiders » et l’Arabie a dû jouer
le rôle de « swing producer », réduisant régulièrement son offre pour équilibrer le marché
dans un contexte où tous les autres offreurs (au sien de l’OPEP ou hors OPEP) avaient
tendance à accroître la leur. Il arriva un moment en 1985 où l’Arabie Saoudite produisit
moins de pétrole que l’Angleterre en mer du Nord. C’est que la tentation de ne pas
respecter les quotas est forte, surtout si le prix du marché est rémunérateur. Comme le
rappelle S. Boussena, « l’OPEP est forte quant les prix sont faibles et elle est faible quand
les prix sont forts ».
1.2.2.5. La spéculation et le cours du dollar
Les déterminants liés à la spéculation et au cours du dollar expliquent-t-elles pour

partie la volatilité des prix vers la hausse observée en 2007 et début 2008 sur le marché au
comptant dit de spot ?
Plusieurs investigations et enquêtes ont été menées touchant l’influence de la

spéculation sur la volatilité du prix du brut aux États-Unis par the Commodity futurs
trading commission. Ces enquêtes n’ont pas pu démontrer une influence décisive des
marchés à terme sur les marchés au comptant8. Il faut, certes, s’entendre sur le concept de
spéculation. Une étude économétrique menée par Antoshin et Samiei au FMI (2006), sur
englobant la période 1997-2005, montre que les transactions effectuées sur les marchés à
terme réagissent, en les amplifiant parfois, aux fluctuations observées sur les marchés du
physique au comptant.
Les spéculateurs font monter le prix sur le marché physique au contant via des
achats de précaution, qui ce traduit notamment par du stockage supplémentaire.
8
selon Ayouz et Reymondon ;
30
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Ainsi, la forte hausse du cours du pétrole lors du second choc pétrolier dans un
contexte où le cours du dollar augmentait, portait en elle les germes du contre-choc
observé en 1985-1986, cette hausse ayant favorisé les substitutions inter énergétiques et
ayant permis d’investir massivement dans du pétrole hors OPEP.
Les interactions entre le cours du dollar et le prix du pétrole sont complexes, et on

trouve des arguments historiques qui justifient tantôt une influence du cours du dollar sur
les prix du pétrole, tantôt l’inverse.
On peut tout d’abord trouver des arguments expliquant comment le cours du dollar
peut influencer le prix du pétrole. « Une dépréciation du dollar réduit le prix réel du
pétrole pour les pays importateurs du pétrole »9
A l’inverse, on peut aussi considérer que les fluctuations du prix du pétrole sont de
nature à influencer le cours du dollar. Une augmentation du cours du pétrole induit une
demande accrue de dollars puisque les transactions sont libellées en cette monnaie, ce qui
tend à accroître le cours du dollar. D’un point de vue empirique, on trouve plutôt des
études qui montrent que le prix du pétrole est une variable explicative de l’évolution à
long terme du cours du dollar.
1.2.2.6. La capacité d’absorption des tensions politiques
Quant aux tensions politiques internationales, leur lien avec la hausse du prix du
pétrole est évident, même si ces tensions ne sont pas la seule cause, voire la cause
principale de la montée des prix du brut. Ce fut le cas lors des deux chocs pétroliers, lors
du conflit Irak-Iran ou des guerres du Golfe (notamment 1990). Des accidents sur des
infrastructures ou des intempéries (ouragans) sont également de nature à engendrer une
hausse des prix, comme ce fut le cas par exemple en 2005 avec l’ouragan Katerina qui a
fortement réduit la capacité de raffinage dans le Golf du Mexique, ces tensions se
manifestent principalement sur le marché spot (un tiers des échanges) mais, par ricochet,
se transmettent ensuite à l’ensemble des transactions (les deux tiers des échanges se
faisant via des transactions OTC).
9
Article Coubert Mignon et Peno (2008).
31
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Les théories économiques disponibles dans la « boite à outil » des économistes
nous aident-elles à mieux comprendre le fonctionnement des marchés internationaux et la
formation des prix du pétrole ? La réponse est positive lorsqu’on analyse les évolutions
passées. Indiscutablement, la théorie des ressources épuisables de Hotelling et l’approche
en termes de rente de rareté nous aident à comprendre les anticipations des acteurs sur le
marché.
La théorie de l’innovation est elle aussi utile pour comprendre comment le

progrès technique utilisé au niveau de l’exploration – production peut faire baisser le coût
d’accès aux hydrocarbures et du coup infirmer, pour un temps du moins, la thèse de
Hotelling.
La théorie de la cartellisation est d’un grand secours pour comprendre les

modifications observées au cours du temps sur les divers marché, caractérisés tantôt par
une structure relativement concurrentielle, tantôt par une structure oligopolistiques
génératrice de rentes. Mais c’est peut être au niveau de la « financiarisation » des activités
énergétiques que l’apport théorique a été le plus novateur ces dernières années.
1.3. Les crises pétrolières
Le marché pétrolier est par nature instable. Un excès de la demande en millions de

barils par jour conduit à des mouvements vers la hausse, et un déficit de la demande de
certaines de barils se traduit par les mêmes mouvements vers la baisse. Ces marchés
pétroliers ont connus plusieurs périodes de fluctuation des prix du pétrole depuis 1973 à
nos jours. Ces fluctuations peuvent être un mouvement soit à la hausse soit à la baisse qui
ont considérablement secoué les économies des pays importateurs et des pays exportateurs
de pétrole. Un choc ou un contre-choc pétrolier peut provoquer une instabilité sur le
marché pétrolier comme au prix du pétrole. Les crises pétrolières peuvent être de natures
différentes selon les cas et selon leurs incidences sur les indicateurs de l’activité
économique et sur les marchés boursiers. Et delà, on distingue deux types de crises
pétrolières à savoir ; un choc pétrolier et un contre-choc pétrolier.
32
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
1.3.1. Le choc pétrolier
Un choc pétrolier désigne la situation dans laquelle une économie fortement

tributaire des importations de pétrole et soumise à une augmentation brutale et
significative des prix sans qu’il lui soit possible à court terme de réagir autrement que
par :
Soit un recours aux prélèvements réels sur la richesse nationale ;

Soit un recours à l’endettement extérieur10.
Un choc pétrolier doit répondre aux caractéristiques suivantes :
Une hausse brutale des prix qui perturbe profondément et durablement l’économie
d’un pays ;
Une augmentation des prix des importations qui doit être plus rapide que celle des
produit nationaux et il ne faut pas qu’elle soit échelonnée dans le temps ;
Le produit importé doit être nécessairement un produit stratégique pour l’économie
importatrice (un produit sans substituts nationaux immédiatement disponibles) et par
conséquent, une élasticité – prix de la demande très faible à court terme. On peut
distinguer deux types de ; le choc de l’offre et le choc de demande.
a) Un choc d’offre :
Un choc pétrolier est dit d’offre s’il s’agit d’un choc économique provoqué par une
modification brutale de l’offre du pétrole sur le marché, combinant hausse du prix et
baisse de la production. Ce type de choc qui résulte d’une rupture de l’offre et en grand
partie provoqué par le comportement des producteurs à qui revient la décision
d’augmenter ou de démunie l’offre du pétrole sur le marché.
Ces dernières années, le marché pétrolier a connu deux chocs pétroliers d’offre à
savoir :
Le choc pétrolier de 1973 dû à la guerre du Kippour ;
10
PERCEBOIS Jacques, « Economie de l’énergie », Préface de MAINGUY Yves, Ed.Economica, 1989,p.24.
33
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Le choc pétrolier de 1979 dû à la révolution iranienne.
Ces deux chocs d’offre étaient survenus en phase de décélération économique,

ainsi, l’augmentation des prix du pétrole n’est pas provoquée par une augmentation de la
demande mais par une baisse de la production et de l’offre sur le marché à cause de
conflits au Moyen-Orient.
b) Un choc de demande :
On parle d’un choc pétrolier de demande lorsque la hausse des prix du pétrole a
pour origine une demande supérieure à l’offre, ainsi, ce type de choc résulte du
comportement des consommateurs ou d’une manière générale des demandeurs du pétrole
sur le marché qui dépend a la situation économique d’un pays, autrement dit, le choc
pétrolier de demande suivent dans un contexte d’expansion économique qui encourage la
consommation pétrolière.
Le troisième choc pétrolier de 2008 est un exemple de choc de demande dans la mesure
où il est dû à l’augmentation de la demande manants surtout, des pays émergents qui
connaissent une période d’expansion économique très importante durant ces dernières
années.
Figure N° 05 Représentation d’une crise pétrolière
Source : HAOUA Kahina, Mémoire de magister « l’impact des fluctuations des prix du pétrole sur les
indicateurs économiques en Algérie »
34
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
1.3.2. Le contre-choc pétrolier
On désigne par contre-choc pétrolier une chute brutale des prix du pétrole sur le marché
mondial du pétrole, c’est une combinaison soit d’une baisse des prix et d’une contraction de la
demande soit d’une baisse des prix et d’une offre abondante. Le marché pétrolier a connu 3 contre-
choc à savoir ; Le contre-choc pétrolier de 1986, Le contre-choc de 1997-1998, Le contre-choc
pétrolier de 2009 et le dernier contre-choc de 2014.
1.3.3. La relation entre un choc et un contre-choc pétrolier
La différance qui existe entre un choc pétrolier, qui est une augmentation
considérable et imprévisible du prix du pétrole, et le contre-choc pétrolier qui est une
chute brutale du prix du pétrole sur les marchés internationaux du pétrole. Il existe une
relation de causes à effets entre un contre-choc pétrolier et un choc pétrolier, cette relation
signifie qu’un choc pétrolier peut être à l’origine d’un contre-choc pétrolier (et vis-vers-
ça) dans la mesure où, la hausse des prix encourage d’un coté la production (offre) du
pétrole et de produits pétroliers et décourage d’un autre coté la consommation (demande)
de pétrole et cette situation finira par faire subir, aux prix du pétrole, une baisse due à
l’augmentation de l’offre et la diminution de la demande du pétrole sur le marché.
Il est à noter qu’un prix faible du pétrole n’encourage pas les pays producteurs à
produire puisqu’ils ont intérêts à limiter leurs productions à fin que les prix augmentent.
Inversement, des prix trop élevés entrainent une baisse de la consommation donc la
baisse des cours.
Sur le marché pétrolier, offre (pays exportateurs) et demande (pays importateurs)

se rencontrent pour échanger. Un prix d'équilibre se fixe. La flambée des cours du pétrole
à des effets négatifs sur les pays importateurs et des effets positifs sur les exportateurs de
pétrole. L'effet de ces fluctuations résulte des transferts du pouvoir d'achat entre ces pays.
La gravité de la perte du pouvoir d'achat des pays importateurs dépend de l'intensité
pétrolière de la production et de l'élasticité de la demande de pétrole par rapport au prix.
Certaines études effectuées par Fried, Schulze (1975), Dohner(1981) et Humt, Isard
Laxton (2000) montrent bien que la volatilité des cours du pétrole entraine les transferts
35
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
des richesses des économies importatrices de pétrole vers les économies exportatrices, ce
qui devrait réduire la demande mondiale. En effet, l'augmentation des prix de pétrole
relativement aux prix des autres biens et services échangés, profite aux fournisseurs (pays
exportateurs) et coûte aux acheteurs (pays importateurs).
1.4. La volatilité:
1.4.1. Définitions
Définition 1 : « La volatilité est un paramètre d’incertitude, de dispersion autour de
la trajectoire moyenne d’un sous-jacent donné. Il existe donc a priori au moins
autant de volatilités que de sous-jacents »11.
Figure N° 06 Comparaison des trajectoires des sous-jacent pour différentes niveaux de

volatilité
Source : COUGNAUD Benoit, « L’univers des risques en finance ».

La volatilité peut donc s’interpréter graphiquement comme un paramètre de dispersion
déterminant l’éloignement potentiel entre la trajectoire réelle du prix d’actif et la
tendance de long terme. Cette dernière peut au choix être déduite du cout de portage de
l’actif ou par simple lecture des prix de marché des contrats futurs portant sur le sous-
jacent.
11
COUGNAUD Benoit, « L’univers des risques en finance ».
36
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
Définition 2 : la volatilité est définie comme l’écart-type de la rentabilité par
unité de temps lorsque les rentabilités sont exprimées en composition continu.
Lorsque la volatilité est utilisée dans le cadre de l’évaluation des options, l’unité de
temps est généralement l’année. Cependant, dans le cadre de la gestion des
risques, la volatilité est généralement évaluée en base journalière.
Définition 3 : la volatilité mesure l’amplification de la variation d’un cours.
Autrement dit, un titre financier dont la volatilité est élevée signifie que son cours
varie fortement, voire de façon exagérée sur une période donnée. A l’inverse, un
titre dont la volatilité est faible signifie que son cours varie peu et/ou de manière
assez cohérente. La volatilité s’exprime en pourcentage.
Figure N° 07: Les différentes catégories de la volatilité
Source : abcbourse.com.
1.4.2. Les facteurs de la volatilité

La volatilité dépend d'un très grand nombre de facteurs propres à chaque
entreprise, à chaque secteur et à chaque époque. Toutefois, cinq facteurs structurels
sont à l'origine de la plupart des fluctuations de cours. Ils sont liés aux anticipations et
aux comportements des investisseurs et des spéculateurs, aux asymétries d'information
et à l'incertitude sur la valeur fondamentale des actions.
37
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
1.4.2.1. Les comportements réversibles des offreurs et des demandeurs de
titres
Ceux qui demandent et ceux qui offrent des titres peuvent parfaitement
permuter leur rôle sans frais ni délai, au gré des changements d'anticipation. Une
entreprise industrielle ou commerciale, en revanche, ne peut pas modifier son activité
sans frais ni délai. Renault, par exemple, ne peut pas racheter les voitures qu'elle a
vendues, à la manière d'un opérateur rachetant un titre qu'il vient de vendre. Ces
changements rapides d'anticipations expliquent pourquoi l'action Renault peut varier
de plusieurs dizaines de points de pourcentage en quelques séances, alors que son
chiffre d'affaires ne varie guère que de 10 % au plus d'une année sur l'autre.
1.4.2.2. L'interdépendance de l'offre et de la demande de titres

Les courbes d'offre et de demande sont souvent liées de façon négative. Une
même information peut engendrer simultanément une variation de la demande et une
variation en sens inverse de l'offre, d'où des écarts de cours importants. Ainsi,
lorsqu'une information arrive sur le marché et qu'elle est jugée favorable à une action.
1.4.2.3. La volatilité de la valeur fondamentale des actions

La valeur fondamentale (V) représente l'actualisation des dividendes futurs.
Gordon et Shapiro ont proposé la formule suivante : V= d/(i+ -g) où d est le
dividende actuel, i le taux d'intérêt, g le taux de croissance anticipé des dividendes et
la prime de risque. Une variation du taux d'intérêt entraînant souvent une variation de
même sens de la prime de risque et de sens inverse du taux de croissance g des
dividendes, elle peut donc avoir des effets considérables sur V. Fondamentale de
l'action devient, au sens littéral, incalculable, ce qui explique sans doute les excès
commis sur les titres liés aux nouvelles technologies durant la " bulle " et les volatilités
extrêmes de ces titres.
1.4.2.4. L'asymétrie d'information

Sur un marché boursier, tous les intervenants sont confrontés aux incertitudes
sur les valeurs fondamentales des actions. Mais ils ne disposent pas tous des mêmes
38
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
informations. Ainsi, contrairement aux analystes financiers, l'épargnant particulier n'a
ni le temps ni les moyens d'acquérir et de traiter l'information.
L'asymétrie entre les intervenants informés, ou qui se croient tels, et les autres,
moins informés, peut être à l'origine des comportements grégaires qui augmentent la
volatilité. Pendant les périodes de forte incertitude, lorsque la volatilité est déjà élevée,
les épargnants et les gérants de portefeuille moins informés, qui ont conscience de ne
pas pouvoir former leur jugement en toute objectivité, s'en remettent à l'observation du
comportement des autres opérateurs, leur attribuant ainsi une information plus
complète. De ce fait, ils achètent quand tout le monde achète et ils vendent quand tout
le monde vend. C'est le comportement d'imitation ou encore de "mimétisme " (A.
Orléan, 1999). Dans la mesure où il tend à faire passer un grand nombre d'ordres
semblables simultanément, lesquels ne trouvent pas immédiatement des contreparties
en nombre suffisant, le comportement d'imitation contribue à augmenter la volatilité
des marchés au-delà de la volatilité liée à l'incertitude sur la valeur fondamentale.
1.4.2.5. Le rôle controversé des marchés dérivés

Le développement récent des marchés de produits dérivés a considérablement
étendu les possibilités offertes aux opérateurs financiers. Par exemple, sur le marché
Euronext regroupant les Bourses d'Amsterdam, Bruxelles, Lisbonne et Paris, il est
aujourd'hui possible d'acheter ou de vendre à crédit la plupart des actions cotées au
premier marché ainsi que de nombreuses actions cotées au second et au nouveau
marché. Il est également possible d'acheter ou de vendre des options d'achat (call) ou
de vente (put) sur des titres ou sur des indices, en choisissant une échéance pouvant
aller jusqu'à cinq ans. L'accès d'un grand nombre d'opérateurs aux opérations d'achats
à crédit et de ventes à découvert et, depuis 1973, aux opérations à options, est souvent
considéré comme un facteur d'augmentation de la volatilité. Or, l'existence de produits
dérivés peut aussi jouer un rôle stabilisateur des fluctuations de marché.
1.4.2.6. Une volatilité très irrégulière

Les différents facteurs de la volatilité peuvent se renforcer mutuellement. Par
exemple, une modification des taux d'intérêt directeurs par les autorités monétaires
39
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
peut modifier les anticipations de dividendes et les notations financières des
entreprises qui déterminent leur prime de risque. Ces modifications affectent les
valeurs fondamentales, déclenchant des vagues d'achats ou de ventes. Le résultat de cet
enchaînement de facteurs peut être une forte volatilité des cours boursiers, sans
commune mesure avec la variation attendue du taux d'intérêt. Comme de longues
périodes de stabilité des taux directeurs sont interrompues par de courtes périodes de
réajustements, les périodes de forte volatilité alternent ainsi avec les périodes de faible
volatilité.
Il en va de même avec la publication d'une information sur une action. Si elle
laisse anticiper une modification de sa valeur fondamentale par le biais d'une
modification du taux de croissance du dividende ou de la prime de risque, ou des deux
en même temps, elle peut déclencher des ordres d'achat ou de vente qui ne trouveront
pas immédiatement de contreparties, à cause de la corrélation négative entre les
offreurs et les demandeurs de titres, engendrant ainsi une volatilité élevée. Les
informations affectant la valeur fondamentale d'une action arrivant, elles aussi, de
façon intermittente sur le marché, la volatilité boursière présente de ce fait des cycles
irréguliers.
1.4.3. Limitation et contrôle de la volatilité

Les instances régulatrices des bourses ne se préoccupent guère de la volatilité
de leurs indices de marché tant qu'elle ne dépasse pas une valeur critique voisine de 25
%. En revanche, les volatilités annualisées supérieures inquiètent, comme cela a été le
cas en 1987 et comme cela reste souvent le cas depuis 1997, et ceci pour deux motifs
principaux : d'une part la protection de l'épargne et le bon fonctionnement des
marchés, d'autre part la prévention du risque systémique.
Plus la volatilité est élevée, plus il est possible de réaliser des gains ou des
pertes en très peu de temps. En effet, au-delà de 1 % de volatilité quotidienne, les
gains potentiels dépassent les coûts de transaction des investisseurs. Ces gains ou ces
pertes sont souvent disproportionnés par rapport aux variations des valeurs
fondamentales des actions, ils donnent alors l'image d'un " casino ", comme s'il n'y
40
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
avait plus de valeur fondamentale du tout. Cette image péjorative dissuade les
épargnants et de nombreuses institutions gérant l'épargne d'investir en bourse. Il est en
effet difficile de démarcher ou de conserver une clientèle d'épargnants échaudés par
des pertes importantes ou effrayés par leur éventualité.
1.4.4. Les différentes mesures de la volatilité

Deux mesures concurentes de la volatilité s’opposent : la volatilité historique
(réalisée) déterminée à partir des évoluions de prix passés, et la volatilité implicite
reflétant l’instabilité anticipée par le marché quant à l’évolution des prix future.
Figure N° 08: Les différentes mesures de volatilité
Source : Licence 3 Paris Dauphine – Philippe GIORDAN
1.4.4.1. La volatilité historique (réalisée)

Celle-ci s’obtient très simplement à partir de la tarjictoire passée du sous-jacent.
Elle est le plus souvent supposée égale à l’écart type des variations quotidiennes
historiques du sous-jacent avant d’etre ramenée sur une base annuelle pour favoriser
les comparaisons.
Cette mesure ne tient pas compte de l’écart par rapport à une trajictroire
moyenne détruite des prix de future. Elle se contente, en effet, de mesurer la dispersion
des variations quotidiennes autoure de la moyenne consistée histotiquement. Elle capte
l’information d’étenue dans les trajictoires historiques des cours. En revanche, elle
n’incorpore aucune information tirée de l’environnement de marché actuel, elle ne
prend donc pas en compte les anticipations de marché quant à l’évolution future du
cours du meme sous-jacent. Cette mesure est donc résolument orientée vers le
passé.elle peut, néanmoins, revetir un caractère prédictif lorsque le comportement
antérieur du marché est supposé constituer un estimateur fiable des évolutions futures.
41
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
pétrole
1.4.4.2. La volatilité implicite
A l’inverse, la volatiité implicite constitue une mesure foncièrement orientée
vers les perspectives d’évolutions futures. Elle capte l’informations incluse dans les
derniers prix d’options constatés sur le marché et intégre les anticipations des
intervenants quant au risque de dispersion des prix autoure des cours à terme attendus
(ceux-ci sont estimés sur la base de la courbe des prix future). A l’inverse de la
volatilité historique, cette mesure est donc résolument orientée vers le future « forward
looking »
Conclusion du premier chapitre
Les fluctuations instable et continue des prix du pétrole, enregistrée depuis les
années soixante-dix soulevait de nombreuses questions quant à la détermination du prix
du pétrole à un moment donné et au jeu complexe des interdépendances entre les marchés
physiques et les marchés financiers, ainsi que entre leurs fondamentaux respectifs. Un
examen des facteurs qui sont à l’origine de la détermination du prix du pétrole fait
apparaitre plusieurs facteurs entrant en jeu pour expliquer l’extrême fluctuation et la
volatilité du prix du pétrole.
Devant l’insuffisance des capacités de production du pétrole et devant

l’augmentation de la demande mondiale s’y ajoute aussi la spéculation parfois brutale sur
les marchés pétroliers qui amplifie la volatilité et l’évolution du prix du pétrole en rapport,
surtout, avec des facteurs politiques pour expliquer l’instabilité accrue du prix du pétrol
42
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
CHAPITRE II
Techniques de
prévision des séries
financières ARCH et
(G)ARCH
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
Chapitre II : Techniques d’analyses et de prévision des séries
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
financières ARCH et (G)ARCH
CHAPITRE II Techniques d’analyse et de prévision des séries

Introduction
De nombreuses techniques de prévision ont été développées pour le domaine des

séries financières. Une importante classe du model stochastique utilisé pour la prévision
décrive la relation entre la future valeur de la série étudier et les valeurs précédentes de la
même série. Le choix du model dépend de la nature de la série (stationnaire, non
stationnaire, linaire, non linaire). Dans ce travail, on s’intéresse à l’étude des séries
temporelles stationnaires, pour ce type de série Box et Jenkins (1970) 12 ont proposé
d’utiliser les fonctions d’autocorrélation(ACF) 13 et d’autocorrélation partielle(PACF) 14
empiriques. Leur méthodologie repose sur le fait que la fonction d’autocorrélation
théorique d’un modèle moyenne mobile MA(q) et la fonction d’autocorrélation partielle
d’un modèle autorégressif AR (p) ou un modèle mixte ARMA (p,q). L’estimation des
paramètres d’un modèle ARMA(p,q) lorsque les ordres p et q sont supposés connus peut
se réaliser par différentes méthodes dans le domaine temporel : la méthode des Moindres
Carrés Ordinaires (modèle sans composante MA, q = 0) dans ce cas, on retrouve les
équations de Yule Walker. En remplaçant les autocorrélations théoriques par leurs
estimateurs, on peut retrouver les estimateurs des MCO des paramètres du modèle par la
résolution des équations de Yule Walker, Maximum de Vraisemblance approché (Box and
Jenkins 1970), Maximum de Vraisemblance exacte (Newbold 1974, Harvey et Philips
1979, Harvey 1981). Les modèle ARMA sont plus utilisées dans le domaine des séries
temporelles, elles donnent des résultats robuste en matière de prévision.
Les techniques d’analyse des séries financières qui sont caractérisées par une forte
volatilité aléatoire dans le temps, ce phénomène que l'on retrouve dans de nombreuses
séries temporelles, notamment celles qui portent sur les prix des actifs financiers. Il s'agit
12
Box et Jenkins on proposer une approche qui consiste en une méthodologie d’étude systématique des séries
chronologiques afin de déterminer, dans la famille des modèles ARIMA, le plus adapté à représenter le
phénomène étudié.
13
En Anglais : Autocorrelation
14
En Anglais : Partial Autocorrelation
44
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
d'élaborer des modèles estimés à l'aide de séries chronologiques de données où les résidus
sont faibles. Pendant un certain nombre d'observations, puis plus grands pour les périodes
suivantes, et ainsi de suite. Ce phénomène se retrouve souvent sur les séries des cours
boursiers car sur ces marchés financiers la volatilité des prix est forte. Bien que l'ampleur
des variations du cours évolue dans le temps, les chercheurs utilisaient généralement des
méthodes statistiques basées sur l'hypothèse d'une volatilité constante comme celle des
modèles ARMA. Cette hypothèse introduisait de nombreux biais. L'analyse et la
modélisation de la volatilité d'une série chronologique est importante pour les acteurs de
la finance.
Le concept d'hétéroscédasticité conditionnelle autorégressive (ARCH -

AutoRegressive Conditional Heteroskedasticity) proposé en 1982 par le professeur Robert
Engle15, lors d'une étude sur la variance de l'inflation pour la Grande-Bretagne, a permis
de mieux modéliser la volatilité saisonnière de nombreuses séries temporelles. L'idée
fondamentale du modèle ARCH est que la variance de l'aléa au temps t dépend de
l'importance des aléas au carré des périodes précédentes. Le modèle ARCH est donc une
extension du modèle linéaire quand la variance conditionnelle du terme de l'erreur peut
varier dans le temps.
Et de la, les techniques régulièrement utilisées dans le domaine des séries

financières sont les modèles ARCH et GARCH ces modèles sont montrés suffisamment
robustes pour prévoir n’importe quelle série financière. La méthodologie ARCH s'est
rapidement diffusée car elle a des avantages à la fois descriptifs et prédictifs. Elle facilite
la compréhension de la volatilité sur les marchés financiers d'indices boursiers ou
d'options, améliore les estimations des risques de gestion de portefeuilles ou l'analyse de
la volatilité des rendements boursiers.
Dans ce chapitre nous essayons de faire une présentation sommaire des techniques
d’analyse des séries chronologiques. Nous essayons d’étudier les caractéristiques
statistiques en termes de stationnarité des séries financières temporelles et les différents
15
Robert F. Engle est né en 1942 à Syracuse, dans l'Etat de New York. Il grandit à Media (Pennsylvanie) avec ses
deux soeurs jumelles dans une famille de la "classe moyenne" américaine, son père étant chimiste et sa mère
professeur de français.
45
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
tests. Nous présentons d’abord les différentes classes des modèles (AR, MA, ARMA) en
étudiant leurs propriétés et la méthode de Box-Jenkins. Tout cela fait l’objet d’une section
des concepts de bases. Nous présentons ensuite les modèles ARCH et GARCH qui nous
permettrons l’étude des séries financières et faire un aperçu sur la prévision de la série
étudiée.
2.1. Rappel des concepts techniques
Cette section se propose de familiariser le lecteur aux différentes applications

liées à l’économétrie des séries temporelles, orientée, bien sûr, vers l’économie et la
finance. La démarche adoptée, à cet effet, on commence par un rappel de concepts-clé
jugés importants pour une meilleure appréhension des applications qui suivront :
2.1.1. Chronique (série chronologique, série temporelle):
Une chronique est une suite finie de valeurs numériques représentant

l’évolution d’une variable aléatoire indexé par le temps. C’est une suite des
observations des variables des intervalles de temps réguliers. Autrement, pour une
chronique, les observations doivent être consécutives et d’une fréquence identique.
L’objet des séries temporelles est donc l’étude des processus.
2.1.2. Processus stochastique, variables aléatoires (processus aléatoire,

fonction aléatoire)
Un processus stochastique correspond à l’évolution d’une variable aléatoire
Yt dans le temps. Une variable aléatoire est la valeur prise par Yt à chaque instant du
temps.
a) Stationnarité et bruit blanc

Processus stationnaire :
La stationnarité est un concept clé pour la validité d’une régression sur des
séries temporelles. D’un point de vue statistique, la stationnarité suppose que le passé
est comparable au présent et au futur. Ainsi, une série chronologique est stationnaire,
au sens strict, si sa distribution de probabilité ne change pas au cours du temps : cette
46
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
définition forte de la stationnarité implique que la distribution jointe (Yt+1, Yt+2, . . . ,
Yt+n ) ne dépende pas de t ; si c’est le cas, on conclut que Yt est non stationnaire.
Par ailleurs (définition faible de la stationnarité), un processus temporel Yt est
stationnaire si :
[ ]= C’est-à-dire la série stationnaire en moyenne.
[ ]= ( )= C’est-à-dire la série est stationnaire en

variance.
[ , ] = [( )( )] = C’est-à-dire l’auto-covariance ou la
covariance entre deux périodes t et t+k** est uniquement fonction de la différence des
temps k.
Un processus est stationnaire si celui-ci n’a ni trend, ni saisonnalité et de ce

fait, il fluctue autour d’une moyenne constante. Il apparait donc que la stationnarité est
une exigence qui assure l’utilisation du modèle en dehors de la période sur laquelle il a
été estimé
Processus non-stationnaire
Une chronique ou un processus qui ne vérifie pas les hypothèses citées ci-
dessus est dite non stationnaire. Donc, il faudra stationnariser la série des données
étudiées avant de passer à son estimation et ensuite à la prévision. La méthode de
stationnarisation dépend de la source de la non stationnarité de la chronique. Pour
identifier cette source de la non stationnarité, le modèle suivant doit être testé :
= + +
Le test est basé sur les Critère de sélection dit « Statistique de t de Student (t) » avec
une Probabilité critique (Prob).
*Test de signification du trend : * Test de signification de l’intercept :
H0 : est non significatif H0 : est non significatif
H1 : est significatif H1 : est significatif
47
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
On dit qu’une série chronologique est non-stationnaire en tendance si le test de
student (t) confirme que le coefficient de trend est significativement différent de
zéro. Ce paramètre sera significatif si et seulement si la Probabilité de t student est
inferieur < 0,05 et si le coefficient de t Student est supérieur à > 1,96 dans le cas
contraire, il est non significatif.
Après l’estimation du modèle :
= + +
Et après le calcul des paramètres, l’Examen de la stationnarité d’une série
chronologique s’effectue selon les résultats de coefficients obtenus. Ci après le tableau
N° 01 montrant les différentes décisions qui peuvent être prises après estimation. Dans
ce tableau on a utilisé les termes du logiciel Eviews.
Tableau N° 01 Examen de la stationnarité d’une série chronologique

Méthode de
Décision Type de modèle Processus
stationnarisation
Trend and intercept Trend Ecart à la tendance

Stationnary (TS)
Intercept
et
Differency
(None) Stationnary (DS)
Filtre aux
et Ni tendance ni différences
constante
Remarque :
Ci après la terminologie correspondante en français :
1- Trend and intercept : un modèle autoregressif qui contient une Tendance et une
constante
48
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2- Intercept : un modèle autoregressif qui contient seulement la constante
3- None : un modèle autoregressif qui ne contient ni tendance ni constante
4- Les processus TS : (trend stationary) qui représentent une non-stationnarité de type
déterministe ;
5- Les processus DS : (Differency stationary) pour les processus non-stationnaires
aléatoires.
6- Pour stationnariser un processus TS, la bonne méthode est celle des moindre
carrées ordinaires, pour un processus DS il faut employer le filtre aux différences.
Procédure :
1/ Estimer le modèle Y = + Y +
Si le modèle est un TS : 2/ Générer les résidus
3/ Tester si est stationnaire
Si le modèle est un DS : il faut différencier ou intégrer la série Yt étudiée « d »

fois (d 1) pour obtenir une chronique stationnaire, c'est-à-dire Yt I(d).
Un processus DS non-stationnaire Yt est intégré d’ordre d, noté I(d), si en le
différenciant « d » fois, on obtient un processus stationnaire.
Nous ne pouvons identifier clairement les caractéristiques stochastiques d’une
série chronologique que si elle est stationnaire. L’étude de stationnarité s’effectue
essentiellement à partir de l’étude des fonctions d’autocorrélation ou de leur
représentation graphique appelée « Corrélogramme ». Une série chronologique est
stationnaire si elle ne comporte ni tendance ni saisonnalité ni dérive. Nous allons donc,
à partir de l’étude du Corrélogramme d’une série chronologique, essayer de montrer de
quelle manière nous pouvons mettre en évidence ces deux composantes.
Nous pouvons distinguer différents types de séries stationnaires :
- A mémoire, c’est-à- dire dont on peut modéliser, par la loi de reproduction, le
processus ;
49
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
- Identiquement et indépendamment distribuée notée i.i.d ou appelée Bruit
Blanc « White Noise » ;
- Normalement (selon une loi normale) et indépendamment distribuée notée n.i.d.
ou appelée Bruit Blanc Gaussien.
b) Bruit blanc :
Lorsque le processus est bien estimé, les résidus entre les valeurs observées et les
valeurs estimées par le modèle doivent se comporter comme un bruit blanc. On notera
par la suite le résidu d’estimation du modèle. Un processus est un bruit blanc
lorsque les trois hypothèses sont vérifiées :
1- Hypothèse de centralité ou Test de nullité de la moyenne des résidus :
( )= ;
Soit T le nombre de données disponibles (après avoir enlevé les retards
correspondant aux termes AR et MA). Si le processus { , } . . . (0, ), on
doit avoir :
1
= 0
Par application du théorème central limité, on montre que :
(0,1)
Dés lors, on peut tester la nullité de la moyenne des résidus en construisant l’intervalle
de confiance sur au seuil standard de 95%.
1,96 1,96
, = 0,95
2- Hypothèse d’homoscédasticité : Un bruit blanc est par définition

homoscédastique. Tous les tests d’hétéroscédasticité peuvent ici être employés.
Test de Chow (comparaison des variances des résidus sur des sous périodes de
la chronique).
( )= , =
3- Absence d’autocorrélation des erreurs Test d’autocorrélation des résidus :
50
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
( , )= ;
Si les résidus { , } obéissent à un bruit blanc, il ne doit pas exister
d’autocorrélation dans la série. On peut alors utiliser les différents tests suivants :
1. Test de Durbin Watson : test de l’autocorrélation d’ordre 1.
2. Etude de la FAC et de la FAP : on doit vérifier qu’il n’existe aucune autocorrélation
ou autocorrélation partielle significativement non nulle pour le processus étudié. Cette
étude est prolongé par les tests du ”porte-manteau”
3. Tests du ”porte-manteau” ou tests d’adéquation globale du modèle. Ces tests
reposent sur l’idée que la FAC d’un bruit blanc ne doit pas révéler d’autocorrélations
non nulles. En pratique, on utilise deux tests : Test de Box et Pierce, Test de Ljung-
Box.
Donc, par définition, un bruit blanc est un processus stationnaire. Par ailleurs,
un processus t est un bruit blanc indépendant si E ( t) = 0 ; E ( t2) = 2
; t et t-k sont
indépendants pour tout k 1. Et le bruit blanc est dit gaussien si le processus t est un
2
bruit blanc indépendant tel que t ~ N (0, ).
2.1.3. Les séries financières
Une série financière est une série temporelle ou une suite finie de données
indexées par le temps. L'indice temps peut être selon les cas: la minute, l'heure, le jour,
l'année etc. L’analyse des séries financières en question consiste en opération de
prévision, de modélisation et caractérisation du phénomène étudié. L’objectif de la
prédiction est de prévoir avec précision l’évolution à cours termes de la série, la
modélisation vise la détermination du comportement de cette série à long terme, tandis
que la caractérisation vise à déterminer les propriétés fondamentales d’une série
temporelle.
La prévision de l’évolution d’un marché financier dans le futur à partir de

l’historique des cours de Bourse, est un domaine qui nécessite des techniques et des outils
robustes pour le traitement et la prévision.
51
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2.1.3.1. Les caractéristiques des séries financières
En analysant les différentes propriétés statistiques des séries financières telles que
la moyenne, la déviation standard, l'autocorrélation et les observations extrêmes « points
isolés », il est souvent possible d'avoir une estimation raisonnable du processus générateur
de ces séries financières. Avant, la plupart des modèles représentant les séries financières
supposaient que les résidus pouvaient être considérés comme étant un bruit blanc
gaussien. Cependant, nous savons maintenant que cette hypothèse n'est pas correcte. On
sait que les séries financières possèdent un certain nombre de caractéristiques différentes
de celles du bruit blanc gaussien. Les caractéristiques les plus marquantes des séries
financières sont:
1- Leptokurtique : un excès du coefficient d'aplatissement les séries financières

possèdent un coefficient d'aplatissement plus important que celui du bruit blanc
gaussien.
2- Hetéroscédasticité : La variance des résidus change dans le temps.
3- Autocorrélation : Les résidus ne démontrent qu'une faible auto-corrélation, tandis
que les carrés des résidus sont autocorrélés à un niveau significatif.
2.1.4. Modélisation ARMA ou Modélisation (G)ARCH d’une série financière :

A l’issue de ces tests diagnostics, s’il se dégage que la série des résidus est
stationnaire en moyenne ; il reste à déterminer si les erreurs sont autocorrélées ou non
et/ou leurs variances sont hétéroscédastiques ou non. Ces deux derniers tests
permettent de préciser le modèle à utiliser pour la prévision de la série étudié.
2.2. Les modèles ARMA et les série financières
Il s’agit d’une méthode de prévision qui utilise l’information contenue dans la série
elle même en vue de faire des prévisions. Pour cela, il faut commencer par modéliser la
série temporelle selon un processus ARMA .Les processus ARMA serviront d’abord de
modèle pour décrire l’évolution des séries temporelles et ensuite pour les prévoir.
52
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Les modèles ARMA s’appuient principalement sur deux principes mis en évidence
par Yule et Slutsky, le principe autorégressif (Auto Regressive) et moyenne mobile
(Moving Average).
Puis en 1970, leur application à l’analyse et à la prédiction des séries

temporelles fut généralisé par Box et Jenkins en combinant les deux principes ARMA,
ils montrèrent que ce processus pouvait s’appliquer à de nombreux domaines et était
facile à implémenter. Cette méthodologie propose un moyen très efficace pour
pouvoir choisir un modèle entre les différent classes des modèles ARMA qui
représente la série des données étudiées et pour cela, l’examen de la représentation
graphique des autocerrélations simple et autocorrélations partielle appelé
« Corrélogramme » fait l’objet du choix.
Un Corrélogramme est par définition la représentation graphique mettant en
évidence une ou plusieurs corrélations entre des séries de données. C’est une
autocorrélation de processus présentée comme une fonction de décalage. Il est très
utile pour déterminer le type d’une série temporelle.
2.2.1. Le Modèle AR (auto Régressif):
Un processus autorégressif est un processus dont chaque valeur est décrite

comme une combinaison linéaire des valeurs précédentes plus une composante
aléatoire qu’on l’appelle un «bruit blanc». Le nombre de valeurs précédentes
considérées est appelé «ordre» du processus.
Définition : le processus ( , ( )) satisfait l’équation générale d’un
processus AR d’ordre p si :
= + +
Où :
Le coefficient d’accroissement
Les coefficients d’autorégressifs
53
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Un bruit blanc indépendant.
- Caractéristiques des Corrélogrammes : il est démontré que le

Corrélogramme simple d’un processus AR(p) est caractérisé par une
décroissance géométrique de ses termes de type : = . le Corrélogramme
partiel a ses seuls p premiers termes différents de zéro.
2.2.2. Le modèle MA (Mouving Average Moyenne Mobile) :
Dans le processus de moyenne mobile chaque valeur est décrite par une
composante d’erreur aléatoire et une combinaison linéaire des erreurs aléatoires associées
aux valeurs précédentes. De même, l’ordre du processus est défini par le nombre d’erreurs
précédentes prises, en considération.
Définition : Le processus ( , ( )) satisfait l’équation générale d’un

processus MA d’ordre q :
= + +
Où
Les coefficients de moyenne mobile
Bruit blanc.
- Caractéristiques des Corrélogrammes : le Corrélogramme simple d’un

processus MA(q) est de la forme générale :
= = 0,1, … , =0 > .
54
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
C’est-à-dire que seuls les q premiers termes du Corrélogramme simple sont
significativement différents de zéro. Le Corrélogramme partiel est caractérisé par une
décroissance géométrique des retards.
2.2.3. Le Modèle Mixte ARMA (Mélange de processus AR et MA) :
Le modèle linéaire le plus courant est le modèle ARMA qui combine

simplement les deux principes AR et MA.
Définition : Le processus admet l’équation générale suivante qui définit un modèle
ARMA (p,q)
= +
Où p est l’ordre de processus autorégressif et q l’ordre de processus moyenne mobile.
Les et les sont des coefficients à estimer. p et q sont des paramètres à identifier.
X t est alors une expression de son propre passé mais aussi du passé et présent des erreurs
.
- Caractéristiques des Corrélogrammes : les Corrélogrammes simple et partiels

sont, par conséquence, un mélange des deux Corrélogrammes des processus AR et
MA purs. Il s’avère ainsi plus délicat d’identifier ces processus à partir de l’étude
des fonctions d’autocorrélations empiriques.
2.2.4. Conditions d’utilisation des modèles AR, MA, ARMA :
Les modèles AR, MA, ARMA ne sont pas représentatifs que dans les cas des séries
chronologiques qui sont:
- Stationnaires en tendance ; ou
- Corrigées des variations saisonnières.
55
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2.2.5. La méthode de box et Jenkins
La méthode de Box et Jenkins est une méthode qui passe par plusieurs étapes, et
permet de sélectionner un modèle ARMA susceptible de représenter correctement une
série temporelle.
On distingue quatre phases dans cette méthode :
L’identification des paramètres p et q (le choix du modèle) : la phase de

l’identification est la plus importante et la plus difficile, elle consiste à déterminer
le modèle adéquat dans la famille des modèles ARMA. Elle est fondée sur l’étude
des Corrélogrammes simple et partiel.
L’estimation des paramètres du modèle (les alpha et bêta) : Les méthodes
d’estimation diffèrent selon le type de processus diagnostiqué. Dans le cas d’un
modèle AR (p), nous pouvons appliquer une méthode des moindres carrés ou bien
nous pouvons utiliser les relations existantes entre les autocorrélations et les
coefficients du modèle (équations de Yule-walker). L’estimation des paramètres
d’un modèle MA(q) s’avère plus complexe. Box et Jenkins suggèrent d’utiliser
une procédure itérative de type balayage.
La validation du modèle (tests d’adéquation) : La phase de validation du
modèle est très importante et nécessite le plus souvent un retour à la phase
d’identification, les paramètres du modèle étant estimés, nous examinons les
résultats d’estimation.
Les coefficients du modèle : doivent être significativement différents de
zéro (le test du t de student s’applique de manière classique). Si un
coefficient n’est pas significativement différent de 0, il convient
d’envisager une nouvelle spécification éliminant l’ordre du modèle AR ou
MA non valide.
L’analyse des résidus : s’effectue à partir de deux critères à respecter :
La moyenne est nulle, dans le cas contraire il convient d’ajouter une
constante au modèle ;
Le résidu est un bruit blanc, la statistique Q de Box-Pierce et de
Ljung-Box permettre de tester cette hypothèse. Si le résidu n’est pas
56
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
un bruit blanc, cela signifie que la spécification du modèle est
incomplète et qu’il manque au moins un ordre à un processus.
La prévision : lorsque le modèle est validé, la prévision peut alors être déduite et
calculée au modèle le plus adapté à un horizon de quelques périodes, limité car la
variance de l’erreur de prévision croit très vite avec l’horizon.
Les modèles ARMA sont considérés comme des modèles classiques de prévision, ces
modèles supposent des séries temporelles à variance constante (hypothèse
d’homoscédasticité). Cette modélisation néglige donc, éventuellement, l’information
contenue dans le facteur résiduel de la chronique.
2.3. Les modèles ARCH et (G)ARCH
Les modèles de type ARCH sont des modèles introduits par le professeur ENGEL en
1982 il s’agit de l’hétéroscédasticité conditionnelle autoregressive ARCH (en anglais Auto
Regressif Conditionnal Heteroscedasdicity), et de ses nombreuses extensions. L’apparition
des modèles ARCH et GARCH doit être placée dans un contexte particulièrement utile qui est
l’analyse et la prévision de la volatilité dans les marchés financiers. Ils sont des outils les plus
intéressants apparus pour caractériser ce type de phénomène qui est la volatilité.
Depuis l’introduction des modèles ARCH, des centaines de travaux de recherche se

sont attachés à appliquer ce type de modélisation à des séries financières ces modèles ont
connu des développements et des applications très importants durant cette décennie. Ces
modèles permettent de modéliser des chroniques (la plupart du temps financières) qui ont une
volatilité (ou variance ou variabilité) instantanée qui dépend du passé. Il est ainsi possible
d’élaborer une prévision dynamique de la chronique étudié en termes de moyenne et de
variance.
Le principe des modèles ARCH /GARCH consiste à poser la variance conditionnelle

d’un processus comme une moyenne pondérée des carrés des résidus passés de ce processus.
57
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Ils fournissent une bonne représentation de la leptokurosis et de l’hétéroscédasticité
dépendante du temps, améliorent la qualité de l’estimation ainsi que la précision en matière de
prévision.
Dans la section suivante nous allons aborder les différentes classes de modèles ARCH,
GARCH (Generalized AutoRegressive Conditionnal Heteroscedasticity), les tests statistiques
permettant de les repérer, puis les méthodes d’estimation et de prévision.
2.3.1. Présentation générale et problématique
L’étude des séries temporelles financières s’est trouvée confrontée à deux types de
problèmes :
- La non-stationnarité des séries financières ;

- Le caractère leptoKurtique16 de la distribution des données.
Soit le modèle de régression linéaire : y = Xa + avec
Y : vecteur de dimension n des observations de la variable à expliquer,
X : matrice de dimension × + 1 des données des variables explicatives,
a : vecteur de dimension + 1 des paramètres du modèle,
: erreur de spécifications.
Supposons que le modèle soit à erreurs auto-corrélées de type AR(1) :
Les queues de probabilité sont plus épaisses que celles de la loi normale aux extrémités les valeurs anormales
16
sont donc plus fréquentes.
58
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
= + = . . ( ; )
Comme E ( t) = 0 par hypothèse, on obtient alors :
( )=
+
L’espérance et la variance conditionnelles17 du modèle sont égales à :
( \ )=
( \ )=
Posons: = × . . . ; une variable aléatoire, à

variations stochastiques indépendantes de ut .
Tel que :
2
E( t) = 0 et V( t) = u z2t-1,
Le modèle est donc par construction hétéroscédastique. Dans ce cas, on ecrit
( \ )= .
Et donc les propriétés stochastiques des estimateurs conditionnels ou non sont les mêmes,
ce qui limite leur utilisation dans un cadre de prévision, notamment dans le cas des séries
financières, car l’effet spéculatif ne peut pas être pris en compte. On préfère dans ce cas,
donc utiliser les modèles ARCH.
17
Rappel : E(X/Y) = (x/y) (cas discret) et E(X/Y) = (X/Y) (cas continu)
E(X/Y) = E(X)
Si X et Y sont indépendants : Var(X/Y) = E(X2/Y) – E2(X/Y)
Exemple concernant un cours de bourse : si on a E(cours t+1/courst)= courst. On en déduit que le
meilleur prédicateur du cours du jour est le cours de la veille. Le marché est parfaitement efficient.
59
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2.3.2. Modèle de régression de type ARCH
2.3.2.1. Spécification du modèle
Soit un modèle AR(p) : p (B)xt = t (ou un modèle de régression y= Xa+ ) avec
= ù ( , )
(En remplaçant zt-1 par ht dans l’écriture précédente) on obtient
= + = + ( )
Tel que > 0, 0 ( )= + +
ht2 est appelé processus ARCH d’ordre p il est noté ARCH(p).
Le modèle AR (ou de régression) est dit modèle AR à erreurs ARCH(p).
Les espérances et les variances non conditionnelles et conditionnelles sont données

par :
( )= ( ) ( )=
( )=
( \ )= ( \ ) ( \ )=
It constitue l’ensemble de l’information par rapport à laquelle la condition est définie.

En termes conditionnels, il vient : Var( t / It-1) = ht2 (quantité variable dans le temps).
Le modèle reste correct sur sa trajectoire en moyenne car l’espérance

conditionnelle est toujours nulle. On peut vérifier que la variance conditionnelle est finie
si < 1.
L’intérêt de cette formulation réside dans l’interdépendance d’une variable

endogène au modèle. Pour Engle, cette notion est très importante en finance car le risque
60
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
d’erreur n’est pas le même selon les périodes t : il y a alternance de périodes d’accalmie et
de périodes d’euphorie.
2.3.2.2. Propriétés d’un modèle ARCH (1)
soit le modèle AR(p) : p (B)xt = t (ou le modèle y = Xa + ) avec t = ut ×ht
Où ut N(0,1) et ht = +
Soit = × + où >0 < 1.
La moyenne non conditionnelle est donnée par :
E( ) = [ ×( + ) ] = ( )× [ /
+ ) =0
Puisque par hypothèse nous avons ( ) = 0.
De même ( ) = 0 puisque ( ) = 0 pour 0.
La variance non conditionnelle de est donnée par :
( )= [ ×( + )] = ( ) × [( + )]
Or = 1 et la variance de est donc égale à ( ) =

( )
La moyenne et la variance non conditionnelles ne sont donc pas fonction du temps.
La moyenne conditionnelle est donnée par :
/
( / , , … . )= ( ) × ( + ) =0
La variance conditionnelle est : ( / , ,….) = +
(Puisque = 1).
Ainsi dans une spécification de type ARCH seule la variance conditionnelle

dépend des erreurs passées.
61
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Kurtosis d’un processus ARCH :
Le kurtosis est le rapport du moment centré d’ordre 4 sur le carré du moment

centré d’ordre 2. Pour un processus ARCH(1), il vient :
( ) ( )
= =
( )
K est toujours supérieur à 3, un processus ARCH a donc une distribution leptokurtique qui
permet de modéliser les phénomènes rares.
Remarque : La Kurtosis mesure le caractère pointu ou plat de la distribution de la série.

La Kurtosis de la disribution normale est 3. Si la Kurtosis est superieur à 3 (queues
épaisses), la distribution est plutôt pointue (distribution leptokurtique) ; si la Kurtosis est
inférieur à 3, la distribution est plutôt plate (distribution est dite platikurtique).
2.3.2.3. Test d’un modèle de type ARCH
Soit un modèle de régression = + avec une spécification de type ARCH

pour l’erreur et telle que = ù (0,1) et = + =
+ ( ) avec ( )= + + .
Soit l’hypothèse emboitée = = = 0 ; contre l’hypothèse

alternative = non tous nuls.
Si l’hypothèse est acceptée, la variance de l’erreur est constante = .Dans le cas

contraire les termes de l’erreur suivent un ARCH dont l’ordre est à déterminer.
Le test est fondé soit sur un test de Ficher classique, soit sur le test du
multiplicateur de lagrange (LM) :
De manière pratique, on procède de la manière suivante :
1er étape : calcul de le résidu du modèle de régression (ou d’un modèle ARMA).
2e étape : calcul des .
62
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
3e étape : régression autorégressive des résidus sur retards (résidu décalé) où seuls les
retards significatifs sont conservés, = + .
4e étape : calcul de la statistique du Multiplicateur de Lagrange, = × avec :
n = nombre d’observations servant au calcul de la régression de l’étape 3, =

coefficient de détermination de l’étape 3.
Si ( )à degrés de liberté lu dans la table à seuil fixé (en général 0,05), on

rejette H0 ; on considère que le processus est justifiable d’un modèle ARCH( ).
C’est le test de significativité des coefficients de la régression , qui

permet de déterminer l’ordre du processus ARCH sachant qu’un processus ARCH
d’ordre 3 semble un maximum,, au-déla, le modèle sera justifiable d’un processus de type
GARCH ( Generalized ARCH) présenté ci-après.
Une autre approche consiste à calculer le corrélogramme des résidus aux carrés du
modèle initial. Si des termes de ce corrélogramme sont significativement différents de 0,
alors on peut conclure à une spécification de type ARCH ; on utilise pour cela la
statistique Q de Ljung-Box.
2.3.2.4. Procédure d’estimation et prévision
La technique du maximum de vraisemblance peut être utilisée pour estimer les

coefficients du modèle ARCH. La log-vraisemblance conditionnelle à la date t est
donnée par :
= log
Et la log-vraisemblance totale par :
1 1
= ( ) ( )
2 2
63
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Le test précédent permet de déterminer l’ordre p du processus ARCH et donc d’estimer
les paramètres de la régression (ou de l’ARMA) et .
Nous pouvons recourir aussi à la méthode des MCG réalisables (moindres carrés
pondérés), les différentes étapes sont les suivantes :
1re étape : estimation du modèle ARMA ou de régression = + .
2e étape : A partir du résidu , on effectue une régression par les MCO ( , joue le
rôle de )
+ +
3e étape : on considère que l’on peut approcher la variance de l’erreur .
On estime de nouveau les paramètres du modèle par les MCG :
=( ) .
Ce qui équivaut à faire une régression pondérée avec comme facteur de pondération :
1
= = )
4eétape : estimation des coefficients a par MCG :
+ + =( ) ( )
La différence de spécification d’un modèle ARCH par rapport au modèle linéaire général
réside dans la variance de l’erreur du modèle :
- Dans le modèle linéaire, il est fonction de la variance résiduelle, .

- Dans le modèle ARCH(p), il va être fonction de .
64
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
En d’autres termes la variance de l’erreur n’est plus constante et de ce fait l’intervalle de
confiance de la prévision est fonction de la volatilité de la série elle-même.
2.4. Processus de type GARCH (1986 Tim Bollerselv)
Le modèle ARCH permet une forme autorégressive pour la variance

conditionnelle. On peut de façon usuelle introduire aussi une partie moyenne mobile. On
obtient alors les processus GARCH
2.4.1. Spécification
Le modèle GARCH est une généralisation (Generalized), due à Builerslev (1986),

des modèles de type ARCH. La spécification est la suivante :
= + avec
= , (0,1) + ( ) + (
= + +
Qui est l’écriture d’un GARCH (p,q).
Remarque :
- Si q=0 on a un GARCH (p,q) = GARCH(p,0) = ARCH (p) et si q = 0 et p = 0 alors

. . .
- Un processus de type GARCH (p,q) est équivalent à un processus de type ARCH( )
ce que l’on peut démontrer par récurrence (en remplaçant , etc.). cette
équivalence permet de déterminer les conditions de stationnarité d’un processus de
type GARCH : (1) + (1) < 1.
65
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Les processus GARCH sont similaire aux processus ARMA usuels dans le sens où
le degré q apparait comme le degré de la partie de la moyenne mobile et p comme celui de
l’autorégressive ; cela permet d’introduire des effets d’innovation. La variance
conditionnelle est déterminée par le carré des p erreurs précédentes et des q variance
conditionnelles passées.
2.4.2. Test et estimation de modèle de type GARCH
Test d’un modèle de type GARCH : dans le cas d’une hétéroscédasticité

conditionnelle supposée, on ne peut tester une spécification de type ARCH que contre une
spécification de type GARCH.
Le test porte sur l’hypothèse nulle H0 d’une erreur ARCH(p) contre l’hypothèse H1
d’une erreur GARCH (p,q). On va donc tester l’hypothése H0 que les sont nuls.
H0 : = 0, = 1, … , ; contre l’hypothèse H1 : il existe au moins un non nul.
Le test le plus approprié est celui du multiplicateur de Lagrange :
(q = degré de liberté) où R2 est le coefficient de détermination obtenu dans la

régression par les MCO dans l’équation :
+ + .
Si lu dans la table à un seuil de confiance (en général 0,05) et q degrés de

liberté alors on rejette l’hypothèse H0 . les erreurs obéissent à un processus GARCH(p,q).
Estimation d’un modèle de type GARCH : la procédure d’identification des ordres d’un
processus ARMA. L’estimation des paramètres du modèle peut se faire à l’aide de
l’algorithme de Berndt, Hall ou bien celui de Hall et Hausman (1974) fondé sur une
méthode de maximum de vraisemblance.
66
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2.4.3. Le modèle GARCH (1,1)
Nous présentons dans cette section un modèle connu sous le nom de GARCH
(1,1), proposé par Bollerslev en 1986. Dans un modèle GARCH(1,1), est calculé à
partir de et de , mais tient également compte du taux de variance moyen de
long terme, . L’équation du modèle GARCH (1,1) s’écrit :
= + +
Où , , sont les poids attribués respectivement à , , . Comme la

somme des pondérations doit être égale à l’unité, on a : + + =1
Le « (1,1) » de GARCH (1,1) signifie que le calcul de se fonde sur la

dernière observation de u2 et sur l’estimation la plus récente du taux de variance. Le
modèle plus général GARCH (p,q), utilise les p dernières observations de u2 et les q
estimations les plus récentes du taux de variance dans le calcul de . Le GARCH
(1,1) demeure de très loin le plus populaire des modèles GARCH.
Pour = , on peut réécrire le modèle GARCH (1,1) sous la forme :
= + +
Cette dernière est généralement utilisée pour l’estimation des paramètres.

Lorsque , sont estimés, on peut calculer qui vaut , et la variance
de long terme VL s’écrit alors . La stabilité du processus GARCH (1,1) est obtenue
en imposant + < 1. si tel n’est pas le cas, la variance de long terme est affectée
d’une pondération négative.
2.4.4. Les pondérations
En substituant dans l’équation de GARCH (1,1), on obtient :
= + + ( + + )
Ou encore :
67
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
= + + + + )
En substituant de la même façon, on obtient :
= + + + + + +
2.4.5. L’estimation des paramètres d’un GARCH (1,1)
Nous montrons ici comment la méthode du maximum de vraisemblance est

utilisée pour estimer les paramètres d’un modèle GARCH (1,1) ou d’autres modèles.
Notons = la variance estimée pour le jour (i) et supposons que la distribution de
probabilité de conditionnelle à la variance soit normale. En procédant comme
précédemment, les meilleurs paramètres sont ici ceux qui maximisent :
1
exp
2 2
Après passage aux logarithmes, il est équivalent de maximiser :
ln( )
Cette expression est équivalente à l’expression ln( ) , hormis le
remplacement de par . Les paramètres du modèle qui maximisent l’expression
ln( ) peuvent être obtenus par itérations successives.
2.4.5.1. La qualité du modèle
L’hypothèse qui sous-tend le modèle GARCH est que la volatilité varie au

cours du temps. Dans certaines périodes, elle est relativement élevée et dans d’autres
beaucoup plus faibles. En d’autres termes, lorsque est élevé, , , … ont
tendance à être élevés, et lorsque est faible, , , …ont tendance à être faibles.
68
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Afin de vérifier la pertinence de cet argument, un examen de la structure d’auto-
corrélation des est nécessaire.
Supposons que soit effectivement autocorrélés. Si le modèle GARCH

fonctionne bien, il devrait faire disparaitre cette autocorrélation et l’on peut tester cela
en analysant la structure d’autocorrélation des variables . Si l’on obtient une très
faible autocorrélation, le modèle retenu pour explique alors de manière satisfaisante
les autocorrélations des .
2.4.5.2 La prévision de la volatilité future par le modèle GARCH (1,1)
Le taux de variance estimé à la fin de journée n-1 pour la journée n s’écrit dans
un modèle GARCH (1,1) :
=( ) + +
Ce qui donne :
= ( )+ ( )
Pour la journée future n+t, nous avons :
= ( )+ ( )
La valeur espérée de est , par conséquent :
( )=( + ) ( )
Où représente l’espérance mathématique. L’utilisation itérative de cette équation

conduit à :
( )=( + ( )
Ou encore :
( )= +( + ( )
Cette équation permet une prévision de la volatilité pour la journée n+t à partir des
informations disponibles à la fin de la journée n. les prévisions du taux de variance
69
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
tendent vers lorsqu’elles sont de plus en plus lointaines. Pour que le processus
GARCH (1,1) soit stable, il est nécessaire que + > 1 , le poids attribué à la
variance moyenne de long terme est négatif et le processus à tendance à s’éloigner de
la moyenne, ce qui n’est pas satisfaisant.
2.5. Modèle ARMA-GARCH (1986 Weiss)
Finalement la modélisation GARCH peut être appliquée non au processus initial,

mais à un processus d’innovation. Ceci permet aussi d’introduire divers effets additionnels
variable explicative soit dans la moyenne conditionnelle, soit dans la variance
conditionnelle.
Par exemple, on pourrait considérer un modèle de régression linéaire avec erreur

GARCH.
= +
Où ( ) satisfait un modèle GARCH (p,q)
Ou un modèle ARMA, dans lequel la variance non conditionnelle de Y pourrait avoir un

effet sur la variance conditionnelle :
( ) = ( )
( / )=0
(( / )= + + [ ( / )] +
La méthodologie ARCH s'est rapidement diffusée car elle a des avantages à la fois
descriptifs et prédictifs. Elle facilite la compréhension de la volatilité sur les marchés
financiers d'indices boursiers ou d'options, améliore les estimations des risques de gestion
70
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
de portefeuilles ou l'analyse de la volatilité des rendements boursiers mais aussi les
observations en coupe transversale de l'activité des ménages ou des entreprises.
Les modèles ARCH sont mieux adaptées aux spécificités des séries financières
(volatilité variable, phénomènes d'asymétrie), les modèles ARCH ont des qualités
supérieures aux représentations traditionnelles dans lesquelles la volatilité d'un titre ne
varie pas (par exemple, dans les processus ARMA ( Auto Regressive Moving Average)
où les modèles reposent sur l'hypothèse d'une volatilité constante au cours du temps. Ce
modèle ARCH initial a connu de très nombreuses extensions avec les modèles GARCH
(Generalized ARCH) et l'introduction de valeurs retardées de la variance ou encore les
modèles permettant de tenir comptent des phénomènes d'asymétrie tels que les modèles
EGARCH (Exponential GARCH), TGARCH (Threshold GARCH), QGARCH (Quadratic
GARCH) ou ARCH-M (ARCH in Mean). Les processus FIGARCH permettent en outre
d'introduire des comportements de mémoire longue de la volatilité. Ce sont des extensions
des modèles GARCH intégrés (IGARCH) qui visent à évaluer les conséquences
permanentes des chocs sur la volatilité. Dans le cadre de ses travaux sur la microstructure
des marchés financiers, les modèles UHF-GARCH (Ultra High Frequency GARCH)
introduits par le professeur Robert F. Engle permettent de comprendre les relations entre
l'intensité des transactions et la volatilité des titres. Engle est en outre à l'origine des
modèles GARCH multivariés avec corrélation conditionnelle dynamique (DCC-
MVGARCH).
2.6. La prévision
Prévoir, c’est porter un jugement sur les événements ou évolutions possibles à

venir en utilisant comme outils le passé et le présent. Pour réussir une telle entreprise,
quatre conditions sont à remplir : (1) une certaine régularité dans le fonctionnement du
monde est tout d’abord nécessaire, (2) il faut par ailleurs que cette régularité fournisse une
information sur l’avenir, (3) que la méthode choisie pour établir la prévision capture une
part de cette régularité et (4) enfin qu’elle exclue au maximum le « bruit » ou les
irrégularités passés. Les deux premières conditions sont constitutives du système
économique, les deux dernières sont fonctions de la méthode de prévision ou de la théorie
71
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
économique choisies. Il en résulte que les prévisions sont toujours entachées d’erreur et
qu’il est possible d’en établir plusieurs pour un même événement à venir (qui constitue
l’objet de la prévision). Des outils d’analyse doivent donc être développés afin de
comparer et de hiérarchiser les prévisions pour discerner ce qui fait qu’on puisse, ou non,
en qualifier certaines de « bonnes ».
2.6.1. La prévision en l’économie
Pour comprendre les mérites propres des méthodes de prévision, il est essentiel
d’en connaître les deux grandes classes, d’ailleurs non mutuellement exclusives : il existe
d’une part des modèles purement statistiques sans représentation économique et d’autre
part des modèles dits structurels dont l’ambition est de fournir une image du
fonctionnement effectif de l’économie. Mais afin de bien présenter l’état actuel de la
recherche, il nous semble essentiel de rappeler brièvement les développements de la
prévision économique au XXe siècle, car chaque grande vague d’avancées a rencontré des
écueils qui ont permis d’améliorer la compréhension des limitations des diverses
méthodes18.
2.6.1.1. Modèles structurels keynésiens
La complexité et l’interdépendance des systèmes économiques a longtemps été

un frein puissant à toute tentative de prévision, ce qui fit que les premières ne virent le
jour qu’après l’émergence de modèles macroéconomiques simples. Après la publication
de la Théorie Générale de J. M. Keynes en 1936 et grâce à de notables avancés techniques
de la Statistique, s’ensuivit un vif développement de l’activité économique de
construction, d’estimation et d’analyse de modèles visant à représenter le comportement
des agents macroéconomiques. Ce bouillonnement intellectuel amena à la création de
l’Econometric Society et de sa publication prestigieuse, la revue Econometrica 19 , qui
devint le médium naturel de diffusion des idées et avancées de la Commission Cowles à
l’université de Chicago au cours des années 1940 et 1950. La facilité d’usage des
18
L’exposition historique doit en grande part à l’article de F. X. Diebold (1998) auquel on renvoie vivement le
lecteur.
19
À l’origine, les deux branches de l’économie théorique et de l’économétrie ne s’étaient pas encore divisées.
72
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
systèmes d’équations à base de modèles IS-LM permit leur généralisation dans les cercles
universitaires et gouvernementaux s’attachant à l’analyse et à la prévision des politiques
économiques. Les méthodes d’estimation économétrique étant encore peu développées,
les principaux débats portaient sur des calibrages des coefficients de réaction. Les besoins
naissants de planification entraînèrent la généralisation de modèles input-output qui
visaient à prévoir les tensions sur les capacités productives. L’augmentation de la quantité
et de la qualité des données disponibles mena à une généralisation de modèles très
détaillés de l’économie, comportant des centaines d’équations. Cette abondance
d’information ne put empêcher un enlisement des macro-modèles (comme le fameux
modèle Wharton conçu autour de « Lawrence Klein » car ils subirent un cuisant échec
dans les années 1970 alors que la stagflation apparaissait et que le chômage prenait son
envol.
L’apparition de doutes quant au manque de fondements microéconomiques

représentant les préférences, comportements et anticipations des agents aboutit à la remise
en cause théorique des « systèmes d’équations ». La critique principale provint de Lucas
(1976) qui remit en cause la stabilité des paramètres des modèles non « structurels ». Pour
lui, il fallait rechercher les paramètres fondamentaux du comportement économique, ceux
qui se révèlent stables. Cette approche tend à privilégier l’élaboration de modèles de faible
taille, plus robustes aux chocs et changements de politique économique.
Par ailleurs, les capacités prévisionnelles des macro-modèles se virent bien

souvent dépassées par de simples extrapolations statistiques. La macroéconomie purement
keynésienne précéda de peu la prévision économétrique structurelle keynésienne dans sa
perte de faveur. Une relative dissociation s’opéra entre les approches de modélisation
(pour étudier la réaction de l’économique à une politique) et de prévision (où il s’agit
d’obtenir la valeur future, assortie d’un intervalle d’incertitude, d’une ou plusieurs
variables)
2.6.1.2. Modèles statistiques
À la suite de la baisse d’intérêt pour l’utilisation de modèles théoriques en

prévision, l’une des réponses fut une réorientation vers des méthodes alternatives plus
73
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
empiriques. Un modèle non-structurel élabore des prévisions dites inconditionnelles, qui
s’attachent à déterminer l’évolution de l’économie en supposant que les règles de
gouvernance économique ne soient pas modifiées contournant ainsi la critique de Lucas
qui niait le pouvoir prévisionnel des modèles économiques en fondant son analyse sur leur
manque de robustesse (de stabilité) vis-à-vis d’une intervention de politique économique
alors que les modèles structurels établissent des prévisions conditionnées aux décisions de
politique économique. Cette propriété même, conjuguée à la faiblesse des modèles
structurels et aux avancées importantes des techniques statistiques a entraîné un fort
intérêt pour ces nouvelles méthodes de prévision.
En réalité, les développements techniques étaient pour bonne part déjà connus et
utilisés par les économètres car ils dataient d’avant l’émergence de la théorie keynésienne
; la borne initiale fut plantée dans les années 1920 par Slutsky et Yule, lorsque ceux-ci
constatèrent que des équations différentielles linéaires, gouvernées par des chocs
aléatoires constituaient un cadre simple et puissant pour la représentation et la prévision
des variables économiques et financières. Ces équations différentielles (discrètes)
stochastiques, appelées autorégressives, permettent d’exprimer une variable à l’instant
présent comme la somme pondérée de ses valeurs passées et d’un choc purement
aléatoire. L’exemple le plus simple en est le modèle autorégressif d’ordre 1, noté AR(1)
où la variable y à l’instant t, yt , est donnée par :
= +
Où t suit une loi aléatoire (en général Gaussienne) de moyenne nulle et où les propriétés
de yt dépendent de la valeur . Les processus autorégressifs sont liés de manière proche à
ceux dits de moyenne mobile, étudiés aussi par Slutsky et Yule, où, à présent, yt est
exprimé comme la somme pondérée de chocs présent et passés. Le cas non trivial le plus
simple en est la moyenne mobile d’ordre 1 (MA(1) pour « moving average ») :
= + .
74
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Les représentations AR et MA sont, pour ce qui est des variables stationnaires20,
les deux facettes d’une même dynamique et il est possible de passer de l’une à l’autre,
mais au prix d’une perte d’efficacité dans l’estimation. Le très fort développement des
modèles du type Slutsky-Yule doit son origine aux travaux, dans les années 1930, de H.
Wold qui montra alors que sous des hypothèses de stationnarité toutes les séries
temporelles peuvent être représentées comme modèles autorégressifs ou de moyenne
mobile. Les algorithmes de prévision, d’estimation et de représentation de ces modèles
furent développés dans les décennies 1940 et 1950, époque de forte avancée de
l’économétrie, par Wiener, Kolmogorov et Kalman21.
L’heure de la désillusion vis-à-vis des modèles keynésiens coïncida avec la

publication par Box et Jenkins du livre référence en matière d’analyse et de prévision des
séries temporelles. Une des idées phares de ces auteurs fut l’apport d’une nouvelle
méthode pour représenter les tendances. À la place d’une fonction linéaire du temps, ils
suggérèrent le concept de tendance stochastique qui est générée par la somme des chocs
passés, conférant, de ce fait, à chacun d’entre eux un impact permanent. En termes de
prévision, ceci implique une absence de retour à long terme vers une tendance précise,
mais, au contraire, la présence à chaque instant d’une tendance locale fluctuante. Les
variables présentant un comportement de tendance stochastique sont non-stationnaires et
dites intégrées (on parle aussi de présence d’une racine unitaire). La contribution
principale de Box et de Jenkins est, toutefois, l’élaboration d’un cadre opérationnel pour
la prévision grâce à la clarification d’une méthode de formulation, d’estimation,
d’évaluation d’un modèle et de prévision des séries qui reprenne les travaux de Slutsky-
Yule et définisse les modèles ARMA, présentant conjointement des propriétés
autorégressives et de moyenne mobile.
Les travaux de Box–Jenkins, s’ils ont focalisé essentiellement sur des modèles
univariés, ont en revanche préparé un rapprochement de l’économétrie et de l’analyse
statistique.
20
La stationnarité au sens faible de yt nécessite que l’espérance mathématique et la variance de yt soient
indépendantes de la date t.
21
Pour une présentation des modèles espaces-états et du filtre de Kalman, voir Lemoine et Pelgrin
(2003).
75
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2.6.2. Les types de prévision des séries temporelles
En pratique, la prévision est toujours associée avec une erreur de prévision. En fait, il
existe deux types de prévisions qui diffèrent par le traitement de l’erreur :
1- Prévision du point : Dans ce cas, le résultat de prévision est une valeur

particulière qui devrait être égale à la valeur future de série qu’on cherche. Ce type
de prévision ne donne aucune information sur la grandeur de l’erreur possible de la
prévision.
2- Prévision de l’intervalle de confiance : Dans ce cas, le résultat de prévision est
un intervalle qui couvre la vraie valeur future de série qu’on cherche avec une
probabilité déterminée (par exemple 0.9 ou 0.95 ou 0.99). Cet intervalle donne une
confiance dans la prévision, car il indique la probabilité d’avoir une erreur de la
grandeur déterminée.
2.6.2.1. Les erreurs de prévision
En général, la prévision de l’échantillon de série temporelle n’est pas idéale et on peut

définir l’erreur de la prévision : =
Ou est la vraie valeur de l’échantillon et corresponds à sa prévision. Souvent on est

intéressé seulement dans l’écart absolu de l’erreur :
| |=| |
Pour bien analyser la qualité de prévision, on veut utiliser les erreurs sur plusieurs
échantillons. Dans ce cas on peut appliquer une des deux métriques :
1- MAD (Mean Absolute Deviation) l’écart moyen de l’erreur :
| | | |
= =
76
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2- MSE (Mean Squard Error) erreur quadratique moyenne :
( ) ( )
= =
L’erreur quadratique moyenne est plus populaire, car elle donne un poids plus grand aux
erreurs plus grandes qui sont plus « dangereuses ».
2.6.2.2. Les techniques de la prévision des séries temporelles
Voici quelques techniques qu’on peut utiliser pour la prévision dans les séries
temporelles :
1- Estimation du dernier échantillon utilisée comme la prévision.

2- Lisage exponentiel.
3- Régression de série temporelle.
4- Autorégression de série temporelle (ARIMA).
5- Méthodologie de Box-Jenkins
6- Modèles basés sur l’espace d'états : Filtre de Kalman
2.6.2.3. Choix de technique de la prévision des séries temporelles
Le choix d’une technique pour la prévision dépend des caractéristiques cherchées qui
peuvent être divisées dans les catégories suivantes :
1. Type de la prévision (point, intervalle de confiance).
2. Horizon de la prévision (plus long => plus difficile).
3. Composant de la série (T, C, S, R).
4. Coût de la prévision
a. Développement du modèle pour la prévision

b. Mémoire demandée.
c. Complexité.
77
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
5. Précision de la prédiction.
6. Disponibilité de données.
7. Facilité de l’opération et de la compréhension.
2.6.2.4. Développement des modèles pour prévision
Dans ce chapitre on va présenter une méthodologie pour le développement des modèles

pour prévision. Cette méthodologie sera illustrée par plusieurs exemples. Elle peut être
décomposée en quatre étapes :
1) Identification du type de modèle
a) Application du Corrélogramme
2) Estimation des paramètres du modèle
a) Estimation des moindres carrés LES (Moindre carré ordinaire MCO)
b) Estimation du maximum de vraisemblance MLE
3) Vérification du modèle
a) Analyse du résidu
4) Vérification des alternatifs (si la vérification du modèle n’est pas positive)
a) Retour à l’étape numéro1 ou l’identification.
Dans le chapitre d’application sur les données des prix spot du pétrole suivant, on va
illustrer cette méthodologie en considérant seulement les types de modèles appartenant à
la famille ARIMA avec des perturbations de type GARCH Par contre, la méthodologie est
valide aussi pour des autres types de modèles.
78
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2.6.3. Le modèle et robustesse des prévisions
Cette section illustre comment utiliser la taxinomie présentée précédemment dans

le cadre de la prévision ; par exemple comment pallier les chocs déterministes, ceux qui
entraînent des erreurs d’espérance non nulle. Plusieurs voies s’ouvrent à nous : utiliser des
méthodes purement statistiques ou améliorer un modèle existant. La réponse à apporter
dépend de l’utilisation qu’on souhaite faire de la prévision. Mais dans les cas exposés ci-
dessous, il est important de déterminer la forme du choc que les variables subissent. De
manière simple, on s’intéressera donc en premier, les méthodes que nous présentons ci-
dessous sont utilisées couramment par les prévisionnistes professionnels : nous tâchons
surtout de montrer pourquoi, et sous quelles hypothèses, elles peuvent être gage
d’amélioration de la prévision. A priori, la nature d’un choc non anticipé n’est pas connue
; pourtant l’intérêt de l’analyse formelle apparaît sous deux angles : elle permet d’une part
de savoir dans quel contexte une méthode se révélera utile et ce faisant, sur la base d’une
hypothèse concernant les risques de chocs, de choisir parmi les corrections possibles pour
certaines variables à prévoir. Ainsi ces techniques peuvent-elles s’insérer dans un modèle
plus général qui, quant à lui, permettra d’obtenir des variantes.
79
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Conclusion du deuxième chapitre
De nombreuse techniques sont utilisées pour l’analyse des séries temporelles
dans ce travail on a essayé de cercler les techniques couramment utilisées comme les
modèles uni-variés ARMA pour des séries temporelles et des modèles multi-variés
comme les modèles VAR (Vecteur Auto Régressif) et VECM (Vector Error Correction
Model) et les modèles ARCH et GARCH pour les séries financières caractérisées par
l’existence du phénomène de la volatilité, dans ce travail on cherche d’étudier la
raison de l’apparition de la volatilité du marché financier. La raison de l’existence de
la volatilité n’est pas seulement les informations anticipées existantes sur le marché
financier mais aussi les comportements des investisseurs dans ce domaine, les bulles
spéculatives sur les marchés boursiers et plusieurs autres facteurs. La modélisation de
la volatilité, ou bien les fluctuations aléatoires dans le temps observé dans de
nombreuses séries temporelles, notamment dans des séries financière comme les séries
des prix du pétrole. Bien que l'ampleur des variations du cours évolue dans le temps,
les chercheurs utilisaient généralement des méthodes statistiques basées sur
l'hypothèse d'une volatilité constante comme le cas des modèles ARMA qui supposent
une variance constante dans le temps. Cette hypothèse introduisait de nombreux biais,
notamment dans la phase de la prévision.
Les modèles ARCH et GARCH, par contre, ont l’avantage de permettre de

modéliser avec assez peu de paramètres des séries temporelles complexe. Pour cette
raison ces modèles sont très utilisés dans les séries financières, en particulier pour
prédire la volatilité.
Pour terminer, il faut, insister sur l’intérêt des modèles ARCH du point de vue
de probabilité théorique, ceci pouvant également, à plus long terme, permettre de
résoudre ou de mieux comprendre certaines difficultés techniques rencontrées dans
l’étude de séries financières. Les modèles ARCH constituent en effet l’une des rares
classes de modèles dynamiques non linéaires qui peut être explicitement analy
80
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
CHAPITRE III
La prévision de
volatilité des prix du
pétrole par les
méthodes ARCH et
(G)ARCH
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
Chapitre III : La prévision de la volatilité des prix du pétrole
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
par les modèles ARCH et (G)ARCH
CHAPITRE III La prévision de la volatilité des prix du pétrole par les

modèles ARCH et (G)ARCH
Introduction
L’analyse et la prévision des séries financières, en particulier, la série des données
sur les prix du pétrole, et plus particulièrement la prévision à court et moyen terme, n’a
pas connu des études approfondie en Algérie. les études ayant été réalisé jusqu’ici ce sont
les études qui utilisent des modèles multi-variés, les modèles couramment utilisés par les
différents organismes Algériennes sont souvent des modèles VECM (Vector Error
Correction Model) par la dynamique VAR (Vecteur Auto Régressif,) ou des approches
par les modèles d’équilibre générale Algérien MEGA ou les modèle d’équilibre générale
calculable MEGC. Ce sont des modèles d’analyse qui traitent généralement l’effet des
variations des prix du pétrole sur les différents indicateurs macro-économique.
La diffusion de logiciels spécialisés met la prévision des séries temporelles à la portée de
toutes les organisations. La prévision est fondamentale dans la mesure où elle est à la base
de l'action. La prise de décision doit en effet toujours reposer sur des prévisions. C'est
ainsi qu'un organisme comme l’OPEP s'intéresse aux prévisions des Ventes futures pour
faire face à la demande mondiale, gérer sa production et ses stocks, mais aussi orienter sa
politique commerciale (prix, produits, etc.). Il s'agit ici de prévision à court terme. Il est
possible d'exposer les méthodes de prévision à plusieurs niveaux.
Les méthodes classiques de prévision fondées sur les processus ARMA supposent
des séries temporelles à volatilité constante. Cette modélisation n’est pas toujours
conforme à la réalité surtout quand il s’agit d’une série des prix du brut. Elle néglige
l’information contenue dans la partie non expliquée du processus d’évolution de notre
série des prix. Il est alors nécessaire de remettre en cause la formalisation économétrique
traditionnelle des aléas basée sur l’homoscédasticité.
Notre recherche va porter sur les le prix spot du pétrole brut. En effet, le prix spot
du pétrole brut étant un prix au jour le jour, il est beaucoup moins stable dans le temps que
le prix officiel fixé à partir de contrats à long terme. L’analyse de la série temporelle uni-
81
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
variée des prix spot du marché pétrolier de l’O.P.E.P. montre des propriétés non
traditionnelles de l’hétéroscédasticité et de leptokurtosis.
Les résidus obtenus après estimation des paramètres du modèle ARMA générateur
de la régression finale représentent la partie purement aléatoire non expliquée de
l’évolution des prix spot du pétrole brut. Ils sont la source d’aléa non contrôlés par le
modèle, et donc de la volatilité. En présence de l’hétéroscédasticité, les modèles ARCH
(R.F.Engle, 1982) apportent une réponse au problème de changement de régime observé
sur le graphique des résidus. Ils permettent d’introduire une volatilité aléatoire.
Leur principe consiste à poser la variance conditionnelle d’un processus comme

une moyenne pondérée des carrés des résidus passés de ce processus. Ils fournissent une
bonne représentation de la leptokurosis et de l’hétéroscédasticité dépendante du temps,
améliorent la qualité de l’estimation ainsi que la précision en matière de prévision.
Dans ce chapitre on essaye d’analyser et modéliser la volatilité de la série des prix

spot du pétrole brut en utilisant des modèles sophistiqués des séries temporelles à savoir,
les modèles ARCH et (G)ARCH. Pour cela, et dans un premier lieu, on essaye d’analyser
les propriétés statistiques de notre série ce qui nous permet de passer à la phase de la
modélisation et finalement à la phase de prévision.
3.1. Modélisation de la volatilité du prix du pétrole par les modèles

ARCH et (G)ARCH
Un Objectif commun dans l'analyse des séries temporelles, cet objectif est de
fournir des prévisions. Dans ce travail, l’objectif est de modélisé la volatilité de la série
des prix spot du pétrole brut et donné une mesure de la forte volatilité observée dans les
cours des prix du pétrole brut. Le prix du pétrole brut est une série temporelle de type
financier. Ce qui consiste à l’application d’un modèle sophistiqué fondé sur la
modélisation ARCH et (G)ARCH. Cette modélisation va nous permettre d’améliorer la
qualité en matière de la précision dans la prévision.
82
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
3.1.1. Présentation des données des prix SPOT du pétrole brut
Pour l’étude de notre recherche on a choisit le Prix Spot du pétrole brut de

référence22 le prix spot de l’OPEP basket (le panier de l’O.P.E.P). Nous disposons de la
série mensuelle des prix spot du pétrole brut avec un total de données de 190 observations
exprimé en Dollars US par baril23 extraite des bulletins statistiques annuels de l’OPEP
couvrant la période : janvier 2000 à Octobre 2015. Dans cette section nous présenterons
les données des prix SPOT du pétrole brut et leurs propriétés statistiques ensuite on
essaye d’aborder l’étape de modélisation.
La notation choisie pour la série est (en retenant la lettre P pour désigné le prix du
pétrole brut et la lettre s pour le prix spot du pétrole brut, la lettre t indique le temps), on
note Pst : le prix spot du pétrole brut en $ / baril. Les donnés des prix spot du pétrole, les
graphes et les calcules sont effectués par le logiciel EViews 7.024.
3.1.1.1. Etude Graphique :
Cette première étape qui précède la modélisation est très importante. Car elle
repose sur l’analyse visuelle du graphe retenu des données historique de l’évolution des
prix spot du pétrole brut, et aussi sur l’étude de la stationnarité qui est la partie la plus
important dans la phase de la modélisation de la série des prix spot du pétrole étudié.
Le graphe (figure N°09) suivant représente l’évolution des prix spot du pétrole
(Pst) pendant la période de janvier 2000 à octobre 2015.
22
Les Prix de références sont des valeurs qui remplace le prix de marché dans les calcules théoriques lorsque
l’on considère que les prix du marché ne représente pas la vraie valeur économique, on les appelle également
prix économique, prix comptable, prix réels.
23
Voir les données de l’évolution historique des prix spot du pétrole brut (ANNEXE N°01)
24
EViews est le successeur des logiciels d’économétrie TSP(Time Series Processor). C’est un logiciel qui
s’intéressra tous ceux qui ont à traiter des séries chronologiques ; ce logiciel est produit par Quantitative Micro
Softwar.
83
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Figure N° 09: Evolution des prix spot du pétrole brut entre janvier 2000 Octobre 2015.
PS
140
120
100
80
60
40
20
0
00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15
La lecture visuelle du graphe ci -dessus montre une évolution des prix spot du
pétrole brut dans le temps. Et delà, on peut noter quatre phases d’évolution ou bien de
volatilité dans cette figure : De Août 2007 à Avril 2008 et de Avril 2008 à Février 2009 et
de octobre 2009 à mars 2012 et de juin 2014 à Septembre 2015. La première phase
(d’Août 2007 à Avril 2008) est marquée par une croissance régulière des prix. Au cours
de cette période, on observe un pic très remarqué en Avril 2008. Ce pic est
vraisemblablement le résultat de la forte flambée des prix observée après le début de la
crise financière en 2008. La deuxième phase (d’Avril 2008 à Février 2009), quant à elle,
est marquée par une quasi-stabilité des prix due à la reprise de l’activité économique
intervenue quelques mois après la crise. La troisième phase (octobre 2009 à mars 2012)
est marquée par une augmentation progressive des prix du pétrole cela était associée à
l’instabilité géopolitique surtout celle du conflit en Libye. La quatrième phase (juin 2014 à
septembre 2015) est marquée par une chute très semblable et régulière des prix spot du
pétrole et cela due à la faible demande mondiale et le changement significatif de la
politique de l’OPEP qui a décidé d’accroître sa production après l’expansion de l’offre de
pétrole de la part des producteurs n’appartenant pas à l’OPEP.
D’un autre coté, on observe que la série des prix spot du pétrole brut semble non
stationnaire. Selon le graphe, on remarque qu’il y’a un mouvement léger à moyen terme
de croissance ou décroissance révélant la présence d’une composante déterministe dans la
série appelée « Tendance ou trend » qui exprime donc l’évolution générale de la série.
84
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Bien entendu, on constate également des fluctuations plus ou moins importantes
que l’on appelle irrégulières ou mouvement résiduels « Stochastique ». Ces fluctuations
irrégulières sont dues à des facteurs exceptionnels imprévisibles comme la crise financière
(la crise de subprime 2008).
Nous remarquons aussi un phénomène accidentel, il s’agit du pic de l’année 2008,

un pic anormalement élevé au mois d’Avril pendant cette année.
Le graphe de la série peut encore faire apparaitre qu’il n y’ a pas de périodicité

dans les valeurs observées révélant qu’il n’y a pas une présence d’un phénomène dit
« saisonnier ». Cette remarque peut être vérifiée grâce au graphe de la saisonnalité (Figure
N° 10) suivant :
Figure N° 10: Le graphe saisonnier du prix spot du pétrole brut entre janvier 2000 et Octobre
2015.
3.1.1.2. Détermination du type de la série des prix spot du pétrole
Après avoir étudié et examiner le graphe de notre série des prix spot du pétrole brut
et déterminer les différents composantes qui gouvernent le processus générateur de nos
données, nous retenons que celle-ci ont été générer par un processus pourvue de deux
principales composantes : une tendance et fluctuations irrégulières ; le phénomène
accidentel étant intégré au terme de fluctuations irrégulières.
85
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Ainsi, il existe deux représentations possibles du processus générateur de nos
données :
1- Représentation additif : c’est le modèle classique de décomposition dans le

traitement des modèles d’ajustement. La variable prix spot du pétrole brut s’écrit
comme la somme des deux termes :
= + Avec représente la tendance et les composantes aléatoires.
2- Représentation multiplicatif : la variable prix spot du pétrole brut s’écrit au terme
d’erreur près comme le produit de la tendance et de la composante aléatoire:
= × l’ajustement est ici multiplicatif et intervient dans les modèle
(G)ARCH.
Pour identifier la représentation qui convient le mieux à notre série des prix spot du
pétrole brut, nous effectuerons le test paramétrique celui de Bays-Ballot 25 . Le test de
Bays-Ballot est fondé sur les méthodes analytiques prenant en compte le calcul des
moyennes (les moyennes annuelles) et les écarts types pour chaque année.
Le résultat de calcul des moyennes et les écarts types de la série est réunie dans le
tableau N°02 suivant :
Tableau N° 02: Les moyennes et l’écart types de la série des prix spot du pétrole brut.
Année
2000 27,55 2,75
2001 23,01 3,01
2002 24,31 3,12
2003 28,17 1,93
2004 36,1 4,65
2005 50,58 5,54
2006 61,04 5,04
25
Le chimiste et météorologue Christophe Bays-Ballot, Note sur rapport de l’intensité de la direction du vent
avec les écarts stimultanés du baromètre.
86
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2007 69,06 11,92
2008 94,07 29,22
2009 62,76 12,73
2010 77,43 5,73
2011 108,66 6,05
2012 109,14 8,16
2013 106,07 4,18
2014 91,22 16,33
2015 51,3 6,01
Pour ces paires d’observations ( ), nous estimerons les paramètres de

l’équation = + + en utilisant la méthode des moindres carrées ordinaire
MCO. Nous reportons les différents résultats des paramètres calculés par le logiciel
Eviews 7 dans le tableau N°03 suivant:
Tableau N° 03 Régression de l’écart type sur les moyennes annuelles de la série des prix spot
du pétrole brut.
Dependent Variable: E
Method: Least Squares
Date: 11/04/15 Time: 14:17
Sample: 2000M01 2015M10
Included observations: 190
E=C(1)+C(2)*M
Coefficient Std. Error t-Statistic Prob.
C(1) 1.052341 1.005098 1.047004 0.2964

C(2) 0.107426 0.014203 7.563824 0.0000
R-squared 0.233315 Mean dependent var 7.918000

Adjusted R-squared 0.229237 S.D. dependent var 6.776904
S.E. of regression 5.949656 Akaike info criterion 6.415014
Sum squared resid 6654.901 Schwarz criterion 6.449194
Log likelihood -607.4264 Hannan-Quinn criter. 6.428860
F-statistic 57.21143 Durbin-Watson stat 0.113812
Prob(F-statistic) 0.000000
87
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
L’estimation du modèle est donnée par l’équation suivante :
= . + .
La statistique t de student pour le paramètre b est égale à 7.56 avec une probabilité
de 0.0000. Elle est inferieur à 0.05, donc on rejette l’hypothèse nulle (disant que b est égal
à zéro), le coefficient est significativement différent de 0 d’où la représentation du modèle
est de type Multiplicatif.
3.1.1.3. Etude de la stationnarité de la Série des prix spot du pétrole :
Les données de notre étude constituent une série temporelle, ce qui nous amène
donc à étudier leurs caractéristiques stochastiques afin de déterminer si elles sont
stationnaires ou non. Par définition une série temporelle est stationnaire lorsque sa
moyenne et sa variance sont des constantes dans le temps et si la valeur de la covariance
entre deux périodes de temps ne dépend que de la distance ou écart entre ces deux
périodes et non pas du moment auquel la covariance est calculée. Plus précisément, il
s'agit de faire le test de racine unitaire sur cette série des prix spot du pétrole. Pour cela, on
effectuera le test amélioré de Dickey Fuller Augmenté. Ce test permet, non seulement de
détecter l'existence d'une tendance (test de racine unitaire), mais aussi de déterminer la
meilleure manière de rendre une chronique stationnaire.
Pour étudier la stationnarité de la série des prix spot du pétrole brut, nous
effectuerons dans un premier temps un examen du Corrélogramme de la série à priori que
nous éprouverons dans un second temps par le test de Dickey-Fuller Augmenté.
88
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
a) Etude du Corrélogramme de la série des prix spot
A.1. Corrélogramme de la série brute des prix spot du pétrole brut.
Le Corrélogramme de la série brute des prix spot du pétrole montre des fonctions
d’autocorrélations dont les valeurs sont proche l’une de l’autre, et décroissent très
lentement vers le zéro, qui sont les signes d’une non-stationnarité en tendance.
b) Application du test Dickey-Fuller Augmenté
Pour confirmer la non-stationnarité conclut du Corrélogramme précédent, nous

allons effectuer le test de racine unitaire de Dickey-Fuller Augmentés. Nous essayons
d’estimer les trois modèles suivants, afin de déceler et apercevoir cette non-stationnarité :
(1) Le modèle Autorégressif d’ordre 1 :

= + ;
(2) Le modèle Autorégressif d’ordre 1 avec constante :
= + + ;
(3) Le modèle Autorégressif d’ordre 1 avec constante et tendance (trend) :
= + + +
89
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Les résultats obtenus de l’estimation et l’application du test de racine unitaire de DFA
sont réunies dans le tableau (04) suivant (à l’aide de logiciel EVIWS7.0):
Tableau N° 04 Résultats du test Dickey-Fuller Augmentés26

Le modèle Statistiques Hypothèse nulle Pst ADF
=0 -0.004135 -0.744393
(1) (-0.744393)(0.4576)* (0.3928)*
=0 0.385303
(5.700420) (0.0000)* -2.008161
(2) =0 (0.2832)*
1.659868
(1.870147) (0.0630)*
=0 1.508845
=0 (1.690579) (0.0926)*
(3) =0 0.016332 -2.300511
(1.357767)(0.1762)* (0.4312)*
0.408167
(5.872138)(0.0000)*
(.)* désigne les valeurs critiques à 5% de la statistique du test.
Dans les trois modèles on accepte l’hypothèse H0 d’existence de racine unitaire. On

remarque que les probabilités retenus de l’application du test de DFA dans les trois
modèles sont supérieures à 0.05 donc la série brut des prix spot du pétrole n’est pas
stationnaire et on dit que la série présente une racine unitaire comme on remarque dans le
troisième modèle que la constante est significativement différentes de zéro. Dans ce cas
on doit passer à la décomposition de la série étudié des prix spot du pétrole brut Pst pour
pouvoir la stationnariser.
c) Décomposition de la série des prix spot du pétrole
Cette phase porte sur la stationarisation de la série des prix spot du pétrole brut,
pour ce faire on doit suivre les étapes suivantes : l’élimination de la tendance par
26
Voire Annexe N°3
90
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
l’estimation de la fonction de la tendance et étudier les résidus obtenus de cette estimation
comme une série stationnaire. Si la série des résidus n’est pas stationnaire on passe à la
deuxième étape qui consiste a appliqué le filtre de différence première et faire la
modélisation de la nouvelle série différencier.
C.1) L’élimination de la tendance (trend)
La procédure adéquate pour éliminer ce type de non stationnarité s’effectue en

calculant les résidus par rapport à la tendance estimée par la méthode des moindres carrés
ordinaires27. Les résultats obtenus sont réunies dans le tableau N° 05 suivant :
Tableau N° 05 Estimations de la fonction de la tendance par la méthode des MCO.
Le modèle est donnée par l’’écriture : = 21.32211 + 0,45654 @
La série des résidus d’estimation obtenue (et) 28 sont considérés comme une série
stationnaire.
27
La méthode de moindre carrée ordinaire MCO
28
Voir les résidus obtenus de l’estimation de la fonction de la tendance par la méthode des MCO dans ANNEXE
N° 02
91
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
On procède maintenant à l’étude de cette série des résidus d’estimation obtenue (et)
selon la méthodologie de Box-Jenkins. Ceci nous permet de déterminer les ordres p et q
des parties AR et MA des résidus.
On commence dans cette étude par l’analyse graphique de la série des résidus la
figure N°11 présente l’évolution des résidus obtenus de l’estimation de la fonction de la
tendance de la série Pst
Figure N° 11: Evolution des résidus obtenus de l’estimation de la fonction de la tendance de la

série Pst
80
60
40
20
-20
-40
-60
-80
00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15
PS Residuals
On remarque des fluctuations brute dans le graphe résiduelle ce qui confirme que
la série des prix spot du pétrole après l’élimination de la tendance ou la trend reste
toujours non stationnaire, on va confirmer cette non stationnarité avec l’analyse du
Corrélogramme A.2 des résidus de la série des prix spot du pétrole brut.
92
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
A.2. Corrélogramme des résidus de la Série PS
Le Corrélorgamme des résidus de la Série Pst obtenus par la méthode de la régression

montre des fonctions d’autocorélation décroissent lentement vers le zéro. La chose qui
montre des signes d’une non-stationnarité de la Série Pst. Et cela signifie que la série est
plutôt stochastique, car elle n’est pas devenue stationnaire après l’élimination de la
tendance.
Dans ce cas, pour éliminer cette non-stationnarité de type DS on passe au filtre de

différence première qu’il s’agit de créer une autre série différencié des prix spot du pétrole
brut .
C.2) Filtre de différence première
La procédure pour éliminer ce type de non-stationnarité de type stochastique (DS)

est l’application d’un filtre de différence. Soit la série des différences premières sur
93
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
la quelle nous devrons répondre le test de racine unitaire de DFA dont les résultats29 sont
consigné dans le tableau 06 suivant :
Tableau N° 06: Test de DFA de la série différencié .

Le Statistiques Hypothèse nulle Pst ADF
modèle
(1) =0 -0.624618 -9.217819
(-9.217819)(0.0000)* (0.0000)*
(2) =0 -0.624822
(-9.195181) (0.0000)* -9.195181
(0.0000)*
=0 0.064123
(0.160874) (0.8724)*
(3) =0 -0.629648
(-9.216630) (0.0000)* -9.216630
=0 -0.005664 (0.0000)*
(-0.767214)(0.4439)*
=0 0.605579
(0.746946)(0.4560)*
Il apparait clairement que la série différencié ne possède ni tendance ni dérive et que

l’hyposthèse de racine unitaire est rejetée (le t empirique est inférieur aux valeurs
critiques) pour chacun des trois modèles. La série est devenue stationnaire après la
différentiation. Dans la suite de ce travail, l’étude portera donc sur la nouvelle série des
différences premières des prix spot du pétrole brut Ps 30.
29
Voir annexe N° 04
30
Voir annexe N°05
94
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
3.2. Modélisation de la série des prix Spot du pétrole
Dans la section précédente nous avons stationnarisé la série des prix spot du
pétrole brut par le filtre de différence première qui nous a conduit à continuer le travail
avec la nouvelle série différencié et stationnaire notée . Pour savoir si la série sera
estimée par une représentation (G)ARCH, nous mettrons d’abord en évidence les
variances temporelles dans cette série des prix spot du pétrole brut et nous analyserons
leur distributions non conditionnelles (asymétrie et leptokurticité) puis nous estimerons
l’équation de la moyenne par la méthode classique de Box et Jenkins, pour enfin estimer
l’équation avec la présence du perturbations (G)ARCH en suivant la procédure élaborée
par Weiss (1984,1986).
3.2.1. Mise en évidence des variances temporelles
Nous avons calculé les distributions des moyens annuelles pour la série des prix
Spot du pétrole brut (sur la période dont l’échantillon est issu, c’est-à-dire du 2000 jusqu’à
2015) afin de rendre compte des variations temporelles ; il ressort que les moyennes, les
variances varient substantiellement dans le temps, les résultats de ces calculs sont réunis
dans le tableau N° 07. Ci-dessous :
La moyenne annuelle des prix spot du pétrole brut,
La variance annuelle de la série des prix du pétrole brut.
Tableau N° 07 Les moyennes et les variances annuelles de la série .
Années
2000 0,04583333 3,05613677
2001 -0,54833333 1,82879411
2002 0,90333333 1,94246953
95
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2003 0,08583333 1,96016446
2004 0,52083333 3,27040297
2005 1,40833333 3,47927849
2006 0,44333333 4,41045933
2007 2,4225 4,54882028
2008 -4,04 13,7284635
2009 3,2125 4,90731574
2010 0,9825 5,38855036
2011 1,4875 7,02417012
2012 0,0775 7,60587348
2013 -0,00833333 3,97102651
2014 -4,5325 6,52263489
2015 -0,667 6,23157203
96
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
3.2.2. Analyse de l’asymétrie et de la leptokurticité
En analysant les histogrammes de la série des prix du pétrole brut (Eviws

présente les valeurs empiriques de la statistique de Jaque-Bera avec probabilité de rejeter
à tort l’hypothèse de normalité au seuil 0.05) nous fixerons plus notre attention sur l’excès
de kurtosis (en le comparant à 3) qui seront pris en charge par la représentation GARCH.
L’histogramme (B.1) suivant :
B.1. Histogramme de la série
60
Series: DPS
Sample 2000M01 2013M12
50
Observations 167
40 Mean 0.503892
Median 0.890000
Maximum 14.23000
30 Minimum -27.69000
Std. Dev. 5.683408
20 Skewness -1.363455
Kurtosis 7.686209
10 Jarque-Bera 204.5513
Probability 0.000000
0
-30 -25 -20 -15 -10 -5 0 5 10 15
La distribution non conditionnelle de la série différencier des prix spot du pétrole

brut présente un coefficient de kurtosis très signifiant (>3) de la leptokurticité (queux
épaisses) et la statistique de Jarque-Bera donne une probabilité inférieur à 0,05 confirme
qu’elle n’est pas gaussienne (non normale).
3.2.3. La Modélisation par la méthode ARMA
Dans la procédure de Box-Jenkins (1976), l’identification des modèles est basée

sur la forme de Corrélogramme, il est donc important de fixer le nombre de retards pour
leur analyse. En effet, lorsque le nombre de retards est très élevé des pics peuvent
apparaitre de manière fortuite, pouvant conduire à de faux rejets de l’hypothèse
d’indépendance.
97
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Ce nombre est généralement pris de l’ordre de T1/2 (Terrence C.Mills 1990),
d’autres études de simulation suggèrent le choix : nombre de retards ln ( ) (Ruey
S.Tasy 2002). Nous prendrons pour notre cas le nombre de retards = 13 (puisque 1901/2
13). (l’alternative =5 ln(190) Nous résumerons dans le tableau N° 08 les
résultats du test d’indépendance sérielle sur la série des prix (test Ljung-Box)
Tableau N° 08: Test d’indépendance sérielle de la série

Test Ljung-Box
(13) 55.287 ( = 0.000)
(5) 40.878 ( = 0.000)
est la probabilité d’acceptation de l’hypothèse d’indépendance sérielle (fournie par le

logiciel Eviws) basé sur la distribution du
D’après les résultats du tableau N° 08, cette série présente une dépendance sérielle
et ne suivent pas un processus buis blanc au seuil 5%. Donc la série est à mémoire.
Il parait donc nécessaire de modéliser l’équation de la moyenne pour la série des

prix spot .
3.2.3.1. L’identification
La phase d’identification est la phase la plus difficile : elle consiste à déterminer le

modèle adéquat dans la famille des modèles ARMA. Elle est fondée sur l’étude des
Corrélogrammes simple et partiel de la série étudiée.
En structurant les fonctions d’auto-corrélation simples et (ACF) et les fonctions

d’auto-corrélation partielles (PACF) de la série des prix du pétrole brut Corrélogramme
A.3.
98
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
A.3. Corrélogramme de la série des prix spot
Le Corrélogramme montre que la fonction d’autocorrélation partiel n’a que le p

premier terme significativement différent de zéro et la fonction d’autocorrélation simple
est tronquée à partir du retards 2, nous retenons donc les formes possible pour la série des
prix du pétrole: AR(1), MA(1), MA(2), ARMA(1,1), ARMA(1,2). En éliminant les
estimations où les coefficients ne sont pas significativement différent de 0 (on utilise la
statistique de Student dont la probabilité de rejet de l’hypothèse de nullité est fournie par
Eviws7.0). Puis en analysant les Corrélogrammes des résidus de chaque équation nous
avons retenue les critères (SC) Schwartz, AIC (Akaike info criterion), Log likelihood et
R2. On le choix entre les modèles retenus de l’examen du Corrélogramme ce fait par la
sélection du modèle qui donne un minimum de SC et AIC et le maximum de Log-
Likelihood et R2. Nous réunissons les résultats dans le tableau N°09 suivant :
Tableau N° 09 Identification de l’ordre du modèle

SC AIC Log
Modèle
likelihood
0.140698 6.251630 6.234415 -585.0350

AR(1)
99
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
0.110942 6.280961 6.263809 -590.9300
MA(1)
0.033584 6.364393 6.347241 -598.8143
MA(2)
ARMA (1.1) 0.141672

6.278349 6.243918 -584.9283
ARMA (1.2) 0.147136 6.271963 6.237533 -584.3281
Selon les critères, on choisie le modèle AR(1) puisque il donne les valeurs les
moins faibles des deux critères SC et AIC et maximum de Log-likelihood et R2.
3.2.3.2. L’estimation des paramètres du modèle
La méthode d’estimation diffère selon le type de processus diagnostiqué. Dans

notre cas on a le modèle AR(1), nous pouvons appliquer une méthode des MCO.
L’estimation de ce modèle est donnée par le logiciel Eviws7.0. Les résultats sont réunis
dans le tableau N°10 suivant :
Tableau N° 10: Estimations des paramètres du modèle AR(1)
100
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Le modèle AR(1) estimé est donc le suivant : = 0.375382 +
3.2.3.3. Validation du modèle
Cette étape consiste à vérifier si le modèle estimé reproduit le modèle qui a

engendré les données. Pour cela les résidus obtenus à partir du modèle estimé 31 sont
utilisés pour vérifier s’ils se comportent comme des erreurs bruit blanc32.
Pour cela, on va vérifier les quatre hypothèses stochastiques du modèle AR(1) :
H1: ( ) = 0, la moyenne est nulle ;
H2 : ( ) = 0, si , les erreurs sont non corrélées (ou encore indépendantes) ;
H3 : Normalité des erreurs ;
H4 : ( ) = , la variance de l’erreur est constante ( ) (homoscédasticité).
1) Test de nullité des résidus H
Figure N° 13 Graphe des résidus (La nullité de la moyenne des résidus).
15
10
-5
-10
-15
-20
-25
00 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15
DPS Residuals
31
Voir annexe N°06.
32
Bruit banc est une réalisation d’un processus aléatoire dans lequel la densité spectrale de puissance est la
même pour toutes les fréquences.
101
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
On remarque dans le graphe N°13 que la moyenne est située dans l’intervalle de
confiance ce qui consiste a accepté l’hypothèse de nullité de la moyenne des résidus,
2) Test de non auto-corrélation des résidus H
La vérification de cette hypothèse ce fait par l’analyse et l’examen de la fonction

d’auto-corrélation simple FAC et de la fonction d’auto-corrélation partielle FACP
données dans le Corrélograme A.4. On doit vérifier qu’il n’existe aucune auto-corrélation
simple ou auto-corrélation partielle significativement non nulle (différente de zéro) pour
le modèle étudié AR(1), cette étude est prolongée par le test du Ljung-Box33 . Le logiciel
Eviws7.0 calcule cette statistique est donne les résultats dans le Corrélogramme A.4
suivant :
33
Ljung-box: c’est un test qui permet d’identifier les processus de bruit blanc (suite de variables aléatoire de
même distribution et indépendantes entre elles. Sous Eviews la statistique de Ljung-box est noté Q-stats.
102
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
A.4. Corrélogramme des résidus du modèle AR(1).
On remarque que tous les termes du Corrélogramme simple appartienne à

l’intervalle de confiance, cela est caractéristique d’un processus de bruit blanc. La
statistique de Ljung-Box donné dans le Corrélogramme donne des probabilités supérieures
à 0.05 qui consiste à accepter l’hypothèse de nullité des auto-corrélations donc les erreurs
ne sont pas corrélées.
3) Test de normalité des résidus H
L’hypothèse de normalité des résidus joue un rôle essentiel car elle va préciser la
distribution statistique des estimateurs. C’est donc grâce à cette hypothèse que l’inférence
statistique peut se réaliser. Ce test est effectué à l’aide du test Jarque et Bera qui suit une
loi de Khi-deux à deux degrés de liberté au seuil de 5%. La probabilité étant supérieure à
103
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
5%. Le test de Jarque-Bera (1984), fondé sur la notion de Skewness (asymétrie) et de
Kurtosis (aplatissement), permet de vérifier la normalité d’une distribution statistique.
L’histogramme B.2 suivant donner par le logiciel Eviews7.0 montre les résultats suivants :
B.2. Histogramme des résidus (la normalité des erreurs).
20
Series: Residuals
Sample 2000M03 2015M10
16 Observations 188
Mean 0.064101
12 Median 0.486313
Maximum 12.84082
Minimum -21.84906
8 Std. Dev. 5.449625
Skewness -0.701767
Kurtosis 4.873170
4
Jarque-Bera 42.91625
0
-20 -15 -10 -5 0 5 10
Le test de Jarque-Bera donne une probabilité inférieur à 0.05 donc on rejette

l’hypothèse de normalité des résidus donc les résidus suivent un processus bruit blanc et le
test de Jarque-Bera prouve qu’il n’est pas gaussien.
4) Test d’homoscédasticité des résidus H
4.1) Test corrélation sérielle des résidus (Breusch-Godfrey)
Il s’agit de voir si la série est homoscédastique ou pas, afin de s’assurer d’avoir

obtenu de meilleurs estimateurs. Les résultats des tests LM pour la régression estimée
précédentes sont résumés dans le tableau N° 11 :
Tableau N° 11 Test de corrélation sérielle des résidus Breusch-Godfrey
La probabilité du test Breusch-Godfrey est supérieure à 0.05, ce qui entraine

l’acceptation de l’hypothèse H0 que les résidus ne sont pas auto-corrélés.
104
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
4.2) Test de White
L’hypothèse à tester est celle de l’hétéroscédasticité des résidus. Si le modèle est

globalement hétéroscédastique que s’il y a un R2 élevé, alors on peut présumer à 5% qu’il
existe dans le modèle d’hétéroscédastisité.
Les résultats du test de white sont donnés par le logiciel Eviws7.0 dans le tableau N° 11:
Tableau N° 12 Test de White (homoscédasticité du modèle)
La probabilité du test White est inférieure à 0.05, ce qui entraine l’acceptation de

l’hypothèse H1 que le modèle est hétéroscédastique.
Dans ce cas, le modèle AR(1) est hétéroscédastique où l’hypothèse de la stabilité de la

variance est rejetée, cela peut conduire un des estimateurs biais et des faux résultats en
matière de prévision.
Cette conclusion nous conduit a utilisé une autre méthode de prévision en savoir, le
modèle ARCH. Nous allons chercher s’il y a un effet ARCH par l’utilisation du test
ARCH-LM.
4.3) Test ARCH.LM
Ce test est fondé soit sur un test de Ficher classique, soit sur le test du Multiplicateur de
Lagrange (LM). Ce test s’applique pour notre série de la manière suivante :
- 1er étape : calcul des résidus du modèle AR(1) ;

- 2e étape : calcul des résidus au carrés ;
- 3e étape : régression autorégressive des résidus sur p retards (résidus décalé) ;
- 4e étape : calcul de la statistique du Multiplicateur de Lagrange, = × avec
= nombre d’observations servant au calcul de la régression de l’étape 3, =
coefficient de détermination de l’étape 3.
105
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Si > ( ) à p degrés de liberté lu dans la table à un seuil fixé (en général
0,05). On rejette H0 ; on considère que le processus est justifiable d’un modèle ARCH
(p).
Le logiciel EVIWS donne les résultat du test ARCH-LM dans le tableau N° 13 si-
dessus
Tableau N°13 Test du ARCH.LM
Le test de ARCH.LM montre qu’on ne peut ni accepter ni refuser l’hypothèse

d’homoscédasticité des résidus au seuil de 5%. Nous ferons un examen approfondi sur le
corrélogramme (A.5) des carrés des résidus estimés :
A.5. Corrélogramme des carrés des résidus estimés
106
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Puisque les fonctions d’autocorrélation simple et partielle FAC et FACP sont tronquées à
partir de l’ordre 5 avec un pic au retard 2. On refait le test de ARCH.LM dans l’ordre de
retard 2 on obtient le tableau N°14 suivant :
Tableau N°14: Test de ARCH.LM d’Ordre
Il apparait clairement que le modèle est hétéroscédastique et qu’il y a un effet ARCH

qu’on doit l’identifier.
3.2.4. La Modélisation ARCH
La sélection du modèle ARCH qui convient à la série des prix spot du pétrole brut passe
par les mêmes étapes de la méthode de Box-Jenkins.
- L’étape de l’identification est basée sur l’examen visuel du Corrélogramme des

résidus aux carrés retenus de l’estimation du modèle AR (1) (A.5). le Corrélogramme
indique qu’on peut retenir 4 modèles : ARCH(1), ARCH(2), GARCH(1,1) et
GARCH(2,1). L’estimation des quatre modèles donne les critères de choix mentionné
dans le tableau N°15 suivant :
Tableau N°15 Identification du modèle ARCH
Le modèle SC AIC
ARCH(1) 6.256528 6.204883
ARCH(2) 6.269912 6.201052
GARCH (1.1) 6.083976 6.015115
107
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
GARCH (2.1) 6.107795 6.021719
Le choix entre les modèles retenus se fait par rapport aux critères AIC et SC on choisi le
modèle qui donne la valeur la plus faible des deux critères. Il apparait clairement qu’on
doit retenir pour la série des prix spot du pétrole brut le modèle AR(1) avec des
erreurs GARCH(1.1).
L’étape de L’estimation des modèles de la moyenne conditionnelle et la variance

conditionnelle du modèle GARCH (1,1) retenu de l’étape précédente. Après utilisation du
logiciel Eviews on obtient un modèle AR(1) avec une perturbation (ou un effet) GARCH
(1,1) suivant :
Modèle AR(1)
= 0.375382 +
Modèle GARCH(1,1)
= 0.216230 + 0.125624 + 0.884341
L’étape de La validation du modèle retenu se fait par l’analyse du Corrélogramme des

résidus standardisés pour confirmer l’adéquation du modèle de la moyenne conditionnelle
et le Corrélogramme le carré des résidus standardisés pour confirmer l’adéquation du
modèle de la variance conditionnelle.
~
Le Corrélogramme (A.6) des résidus standardisés = / :
108
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Ce Corrélogramme donne une statistique de Ljung-Box égale à ( )= . avec

une probabilité p = 0.399, ce qui confirme l’adéquation de la moyenne conditionnelle.
Toujours dans le cadre de la validation du modèle, on doit passer à l’analyse des carrés
~
des résidus standardisés . Sur ce, le Corrélogramme (A.7) des carrés des résidus
standardisés ci-dessous est réalisé.
109
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
A.7. Corrélogramme des carrés des résidus standardisés
Le Corrélogramme des carrés des résidus standardisés donne une statistique de Ljung-Box
égale à ( )= . avec une probabilité p = 0.633 d’où l’adéquation du modèle de
la variance conditionnelle. Nous relevons quand même que les résidus standardisés
suivent un bruit blanc non gaussien d’après l’histogramme (B.3) qui affiche une
probabilité de la statistique Jarque-Bera égale à 0,0086 inférieure à 0,05.
B.3. Histogramme des résidus standardisés
32
Series: Standardized Residuals
28 Sample 2000M03 2015M10
Observations 188
24
Mean 0.048004
20
Median 0.165810
Maximum 2.471415
16
Minimum -3.046823
12 Std. Dev. 1.001622
Skewness -0.507980
8 Kurtosis 3.423591
4 Jarque-Bera 9.490901
0
-3 -2 -1 0 1 2
110
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Après la modélisation et l’estimation on peut passer à la phase la plus importante dans
l’analyse et l’étude des séries temporelles.
3.3. La Prévision sur les prix de brut par ARCH
Un objectif commun dans l’analyse des séries temporelles, est de fournir des
prévisions , en dehors de l’échantillon, compte tenu des informations fournies à
l’instant T. en présence d’erreur ARCH, l’exactitude de prévision dépendra de l’ensemble
courant de l’information. La construction appropriée des intervalles de prévision exige
l’évaluation de l’erreur de prévision de variance conditionnelle.
Pour un processus GARCH(1.1) : la prédiction de , à horizon h est :
( / )= ( + ) +( + )
Où , , +
On remarque que la prévision de la variance conditionnelle, converge vers la

variance non conditionnelle au fur et à mesure qu’on s’éloigne de l’origine des prévisions.
En effet :
lim , , / = , est la variance non conditionnelle du processus .
3.3.1. Application aux données du prix spot du pétrole
Comme nous l’avons mentionné au début, l’intérêt est d’appréhender le

mouvement de la volatilité, et utiliser le modèle obtenu, pour effectuer des prévisions
futures du prix spot. A l’issu de l’étape de modélisation de la variance conditionnelle,
nous avons retenu le modèle AR(1) avec un effet GARCH(1,1).
Les résultats de la prévision donnée par le logiciel Eviews 7 réunis dans le tableau
N° 16 suivants :
111
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Tableau N°16: Prévision des prix spot l’horizon de mois
Dates Prévision de la variation Prévision des prix spot
Nov-15 -1.11 45.47
Déc-15 1.52 47
Jan-16 -2.07 44.93
Fév-16 2.81 47.74
Mar-16 -3.84 43.90
Avr-16 5.32 49.22
L’analyse qui a menée sur le marché du pétrole brut au travers des travaux réalisés
en appliquant les modèles ARMA sur le prix spot du pétrole ainsi que l’utilisation du
modèle GARCH (1,1) afin de prévoir le développement de la volatilité des prix spot du
pétrole Brut à l’horizon de 6 mois (avril 2016) conduit au conclusions suivantes :
1- Premiérement, les prix du pétrole devraient rester à un niveau durablement

faible ou autrement dit, ils vont connaitre une baisse légère autour d’un prix
moyennant les 40 à 50 dollars le baril ;
2- Deuxiémement, le mouvement de la volatilité prévue sera plus au mois faible
dans les 2 derniers mois de l’année 2015, avec un mouvement d’accroissement
de cette volatilité des prix spot du pétrole dans les 4 mois premiers de l’année
2016 ou autrement dit : la durabilité de la baisse des prix a court terme devrait
continuer sans cesse d’être volatile ;
3- Troisiémemnt, Les résultats de notre travail obtenus en application du modèle
GARCH(1,1) sont un peut proche et semblable aux prévisions faites par
l’Agence Iinternationale de l’Energie (AIE) et de l’OPEC ;
4- Quatriémement, La modèlisation ARCH et GARCH améliore la qualité de la
prévision par rapport au résultats obtenus en appliquant les modèles ARMA.
112
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Figure N°12 la prévision des prix spot l’horizon de 2016.
3.3.2. Les prévisions de l’AIE des prix spot du pétrole
Selon l’AIE le mouvement à la baisse des prix du pétrole est loin d’etre terminé
entre une offre « surbondante » et une croissance de la demande mondiale de 1,2 million
de baril par jour en 2016 contre 1,4 mbj en 2015, le prix du pétrole va encore reculer,
prédit l’AIE « après un bond de 2,4 mbj en 2014, la croissance de la production de pétrole
devrait ralentir à 1mbj en 2015 avant de se grimpper en 2016, sous l’effet de la baisse des
prix du pétrole et des reduction de cout » souligne-t-elle, dans rapport mensuel sur le
pétrole.
L’AIE indique également que la croissance de la production des pays de l’OPEP

qui atteint son plus haut niveau en 3ans avec 31,7mbj va reculer l’an prochain prévoire
l’agence, en raison de la baisse des prix du baril du pétrole. Par rappel, le prix du baril on
chuté de 45% en 2015 par rapport à 2014. Au premier semestre 2015, les prix du baril
fluctuent autour d’un pivot de 60 dollars le baril. Selon les prévision de certains analystes
il atteindront peut etre 70 ou 80 dollars au second semestre, avec le fléchissement de la
113
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
production américaine, même si l’on ne peut pas exclure une correction brutale en cas de
déstocage.
Le panier de référence de l'OPEP ( ORB ) a débuté l'année en baisse de près de 3

dollars au milieu baissiers du marché du pétrole brut. Augmentation de l'offre , faiblesse
de la demande , les marges de raffinage pauvres et l'entretien de la raffinerie ont tous pesé
vers le bas sur les valeurs des composantes de l'ORB .
Le modèle prise en compte dans l’étude est un modèle univarié qui ne prend pas
en compte : les fautes de données disponibles sur une période longue, les capacités
additionnelles non mobilisées de l’ OPEC, qui se sont largement accrues depuis un an. De
même le niveau des stocks de pétrole brut, notamment aux Etats-Unis est très élevé ce qui
permettrait d’absorber sans hausse de prix le supplément de demande issu de
l’accélération de l’économie mondiale. Ansi, les modèles ARCH sont utilisés dans les
prévisions à court terme et cela peut entrainer des fautes de prévisions. Alors, il est
impossible de prédire avec une totale exactitude si un événement particulier ayant une
incidence sur le prix du pétrole brut se produira, ni le moment où il se produira. Donc,
dans une certaine mesure, les prix futurs du pétrole brut et les fluctuations de prix ne sont
pas prévisibles.
114
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Figure N° 13: Profil qalitatif des prix du pétrole long terme
Source : Ce profil qualitatif est fondé sur les observations du ministère des Finances et de
Ressources Naturelles Canada.
115
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Conclusion du troisième chapitre
D’après les résultats obtenus ci-dessus en application du modèle ARCH, on

remarque que les variations du prix spot sont caractérisées par des périodes calmes et des
périodes volatiles. Elles présentent par conséquent des propriétés non traditionnelles de
leptokurtosis et hétéroscédasticité variables au cours du temps.
Les spécifications traditionnelles : stationnarité, corrélation sérielle, normalité,

homoscédasticité, etc, sont rejetées par les tests usuels. Le recours à une modélisation
autorégressive avec des erreurs suivent un processus ARCH uni-varié linéaire, améliore
certains tests.
La modélisation du type GARCH (1,1) donne des résultats plus significatifs. Cette
dernière spécification a permis d’enlever la dynamique endogène des changements de la
variance des prix et d’améliorer la qualité de l’estimation et la précision en matière de
prévision des prix du brut.
116
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Conclusion générale
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Ce travail a porté sur la détection du processus de volatilité qui peut être due à
l’arrivée d’information non-anticipée observée dans le prix spot du pétrole brut de l’OPEP
basket en $ US par baril. Nous avons analysé un modèle continu couramment utilisé dans
la littérature avec un effet stochastique. Comme données, il a été considéré les fréquences
mensuelles pour les observations utilisées, et puis, il a été estimé un modèle à partir des
données des prix spot du pétrole en terme réel.
A priori, l’étude séparée de l’offre et de la demande pour en déduire un signe

de l’aléa sur le prix spot du pétrole brut devrait tendre à la même conclusion que les
modèles plus sophistiqués, ces derniers n’étant qu’une formalisation de l’approche
offre/demande. Les modèles de prix permettent ainsi de valider ou au contraire de nuancer
le message délivré par l’étude séparée des tendances spontanées de l’offre et de la
demande et c’est pourquoi leur usage se développe.
Pour cet exercice de prévision, les messages divergent : l’analyse de la série

temporelle uni-variée du prix spot du marché pétrolier de l’O.P.E.P. montre des propriétés
non traditionnelles de l’hétéroscédasticité ou autrement dit une variation de la variance
des erreurs dans le temps, de leptokurtosis qui signifie un excès du coefficient de
l’aplatissement qui nous a conduit à évité l’utilisation des modèles ARMA. En effet, le
prix spot étant un prix au jour le jour, il est beaucoup moins stable dans le temps que le
prix officiel fixé à partir des contrats à long terme.
Les résidus obtenus après estimation des paramètres du modèle AR(1)

générateur de la régression finale représentent la partie aléatoire (non expliquée) de
l’évolution du prix spot du pétrole brut. Ils sont la source d’aléas non contrôlés par le
modèle, et donc de volatilité. En présence de l’hétéroscédasticité, les modèles ARCH
apportent une réponse au problème de changement de régime observé sur le graphe des
résidus. Ils permettent d’introduire une volatilité aléatoire.
Les variations du prix spot du pétrole brut sont caractérisées par des périodes
calmes et des périodes volatiles. Elles présentent par conséquent des propriétés non
traditionnelles de leptokurtosis et d’hétéroscédasticité qui sont variables au cours du
118
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
temps. Les spécifications traditionnelles : stationnarité, corrélation sérielle, normalité,

homoscédasticité,…etc, sont rejetées par les tests usuels. Le recours à une modélisation
autorégressive avec des erreurs suivant un processus ARCH uni-varié linéaire, améliore
certains tests. La modélisation GARCH (1,1) donne des résultats plus significatifs. Cette
dernière spécification a permis d’enlever la dynamique endogène des changements de la
variance et d’améliorer la qualité de l’estimation ainsi que la précision en matière de
prévision.
La prévision en utilisant un modèle AR(1) avec une perturbation GARCH(1,1) à un

horizon de 6 mois à porter sur une baisse des prix spot du pétrole à plus de 3,80% et une
quasi-stabilité des prix autour du 40-50 dollars le baril dans les premier mois de l’année
2016 avec une volatilité plus au moins forte. Les résultats de cet exercice de prévision ont
été comparé avec les prévisions réalisé par l’AIE qui a confirmé que scénario de la baisse
va continuer pour atteindre un niveau de prix du pétrole de 20-25 dollars le baril. Un
niveau des prix non atteint depuis 12 ans.
Actuellement, le prix du pétrole à baisser à un niveau de 38 dollars le baril en 23

janvier 20016 ce qui n’est pas le prix retenu par la prévision en utilisant le modèle
GARCH. Cependant, les modèles ARCH et GARCH sont quand même mis en échec
principalement dans un contexte de très court terme. Ces échecs pourraient être dus au
caractère hautement non-linéaire des séries financières, et à l’unicité du modèle proposé.
L’ensemble des ces analyses statistiques et économétriques demandent toutefois à être
affinées par d’autre travaux notamment sur les éléments déterminants des comportements
des acteurs sur les marché comme : le modèle GARCH multi-variée avec correction
conditionnelle dynamique (DCC.MVGARCH) ou le modèle VAR / VECM (Modèle
vectoriel à correction des erreurs). Et cela, afin de mieux les cerner et d’évaluer leurs
impacts sur la volatilité des prix
119
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Bibliographie
PD PD
!
W
W
O
O
N
N
y
y
Bibliographie
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Bibliographie
Ouvrages
Français
- AROURI Mohamed El Hedi et RAULT Christophe, « les effets des fluctuations du
prix du pétrole sur les marchés boursiers dans les pays du Golfe », version 1,
Laboratoire d’économie, Rue de Blois, B.P 6739, Orléans, 1 aout 2010, France.
- BENISSAD M. E., « Economie du développement de l’Algérie », Ed, Paris,
Economica, 1979.
- BRESSON Georges et PIROTTE Alain, « économétrie des séries temporelles »,
théorie et application.
- BEABBDALLAH Y., OUKACI K. et CHETTAB N, « L’économie algérienne
face à la crise : effets de la conjoncture ou vulnérabilité structurelle », Colloque
International « Crise, commerce et devenir des économies émergentes en
méditerranée », Rabat, 2009.
- COPINSCHI Philippe, « Le pétrole une ressource stratégique », la documentation
française, imprimerie de la direction de l’information légale et administrative
juillet 2012, Paris.
- CHITOUR Chems Eddine, « Les perspectives énergétiques à l’horizon 2020 dans
un contexte de globalisation planétaire », imprimé en Algérie 2002, Algérie.
- C.WHEELWRIGHT Steven et MAKRIDAKIS Spyros , « Choix et valeur de
prévision », traduit de l’américain par GUILLEMIN Jean, 1974, Paris.
122
PD PD
!
W
W
O
O
N
N
y
y
Bibliographie
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
- GOURIROUX Christian, « Modèle ARCH et Applications financières », Composé
par ECONOMICA, Imprimé en France septembre 1992, Paris.
- GUY Mélard, « Méthodes de prévision à court terme, Edition de l’université de
Bruxelles, 1990.
- HACHE Emmaunuel et LANTZ Frederic, « Volatilité des prix et transactions sur
les marchés pétroliers : une analyse économétrique des changements de
comportement », centre for Economic and Management IFP School, 228-232 av
Napoléon Bonaparte, F -92852 Rueil-Malmaison, juin 2010, France.
- ISABELLE CADORET, « Économétrie appliquée: méthodes, applications,
corrigés », imprimé en bibliothèque national en octobre 2004, Paris.
- LARDIC Sandrine et MIGNON Valérie, « Econométrie des séries temporelles
macroéconomiques et financières, Economica, Paris 2002.
- SUR Frédéric, « Modélisation et prévision des séries chronologiques – Modèle
ARCH et GARCH », Ecole des mine de Nancy.
- MARTINEZ Luis, « Algérie : Les illusions de la richesse pétrolière », les études
du Centre d’Etudes et de Recherches Internationales N° 168, septembre 2010,
France.
- NEMOUCHI Farouk, « Chocs pétroliers et déséquilibre monétaire en Algérie »,
revue science humaine N°31, juin 2009.
- PERCEBOIS Jacques, « économie de l’énergie », Préface de MAINGUY Yves, Ed
Economica, 1989.
- Philippe Casin, « Econométrie :Méthodes et applications avec EViews », Edition
TECHNIP, 25 rue Ginoux, 75015 Paris 2009.
123
PD PD
!
W
W
O
O
N
N
y
y
Bibliographie
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
- REGIS BOURBOUNNAIS, « Manuel et exercice corrigés Econométrie »
3eédiion, imprimé en 2000, France.
- TSASA Vangu Jean-Paul, « Statistique Appliquée », Version 1, Centre Congolais-
Allemand de Microfinance, Mai 2010.
- ROGER Patrick, « les outils de la modélisation financière », 1re édition, Avril
1991, Paris, France ;
- ANDER Kovacs, « Comprendre la bourse, Guide pratique pour la gestion de votre
portefeuille d’actions », Edition homme et techniques, 1984, Paris, France ;
- HULL John (université de Toronto, Canada), Edition française réalisée et adaptée
par : Christophe Godlewski et Maxime Merli (université Louis pasteur Strasbourg
I), « Gestion des risques et institutions financières », 2007, Paris, France.
Anglais
- GILEVA Tayana, “A thesis submitted for the degree of Master in Economics”,
Econometrics of curde oil markets, Université Paris Panthéon-Sorbonne, June
2010.
- Michael P.Clements Znd David F.Hendry, “Forcasting economic time series”,
Combridge Univesity press, 1998.
- Terence C.Mills, «The econometric modeling of financial time series», Second
Edition, Combridge university press, 1997.
Arabe
2006 " " . -
124
PD PD
!
W
W
O
O
N
N
y
y
Bibliographie
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
1998 OPU " " -
2003 OPU " - " -
" " -
1992
Les Mémoires
- KAMEL Hamzaoui, « Mémoire de magistère en économie et statistique
appliquée », les modèle GARCH et la couverture à terme optimal. Application au
marché du pétrole, 2007-2008.
- BILODEAU Jean-François, « Mémoire pour l’obtention du grade maitre ès art
(M.A) en économie », Analyse de processus de sauts dans le prix du pétrole brut,
National Library of Canada, Février 2000.
- SHARMA Namit, Mster of arts in economic, “Forcasting oil price volatility”,
Faculty of Verginia Polytechnic Institue and State University, May 1998.
Différent document et Article
- BOLLERSLEV.T et CHOU R.Y et JAYARAMAN.N et KRONER.F.Kenneth,
« Les modèle ARCH en Finance : un point sur la théorie et les résultats
empirique », journal of Econometrics vol 51, Traduit en français par GUDIN
Philippe.
125
PD PD
!
W
W
O
O
N
N
y
y
Bibliographie
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
- Journal le Quotidien d’Oran, page économie, rapport ministère des finance et de la
prévision, 14/04/2012.
- CHARON Guillaume, « Economie de la chaine pétrolière, Les marchés pétroliers
physiques et financiers », EM-ALNAFT, SONATRACH, ENI ALGERIA 2013.
- Bulletin statistique de l’OPEP 2000-2013.
- OUKACI Kamel, « Impact de la crise financière internationale sur l’économie
algérienne : cas des prix du pétrole », Colloque international, « Crise financière
internationale, Ralentissement économiques mondial et effets sur les économies
euromaghrébine, 2009.
- BEABBDALLAH Y., OUKACI K. et CHETTAB N., « L’économie algérienne
face à la crise : effets de la conjoncture ou vulnérabilité structurelle », Colloque
International « Crise, commerce et devenir des économies émergentes en
méditerranée », Rabat, 2009.
- Comprendre la bourse « les indices boursiers », Article fourni par Binck.fr.
- MARIE-HÉLÈNE GROUARD, SÉBASTIEN LÉVY, CATHERINE
LUBOCHINSKY, « La volatilité boursière : des constats empiriques aux
difficultés d’interprétation », Banque de France Service des Études sur les marchés
et la stabilité financière, Juin 2003.
- Joël Priolon, « les marchés financières »,Agro Paris Tech, Novembre 2010.
- S.NOBILI, Méthodes paramétriques « Les Modèles AR et MA », 2003
- Gregrory Lenoir et Franck Janura, « les modèles GARCH pour gérer la
volatilité », Lundi Finance Gestion de fortune, France, 13 décembre 2010.
- Jean – Paul Tsasa V. Kimbambu, « Initiation à la Modélisation GARCH »,
Laboratoire d’Analyse – Recherche en Economie Quantitative, France, Mai 2012.
126
PD PD
!
W
W
O
O
N
N
y
y
Bibliographie
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
- Charles GAVE, les indices boursiers, Institue de Liberté, France, 2012.
- Elizabeth Howard, La volatilité selon les modèles Garch « Focus sur l’asymétrie et
la corrélation dynamique », La revue d’Opus Finance N°1, France, Décembre
2012.
Site internet
- Annan, K., 2000, Là où la hausse des prix du pétrole se fait vraiment sentir…,
http://www.un.org/french/sg/articles/petrole.htm (2012).
- EIA, 2007, Petroleum (Oil) Imports, International Energy Data and Analysis,
http://www.eia.doe.gov/ipm/imports.html (2012).
- Sénat français, 2005, La hausse des prix du pétrole: une fatalité ou le retour du
politique, http://www.senat.fr/rap/r05-105/r05-10520.html (2012).
- Oleocene, 2006, Elasticité de la demande au prix du pétrole,
http://wiki.oleocene.org (2012).
- Un exemple de prévision par un modèle MEGA,
http://www.persee.fr/web/revues/home/prescript/article/ofce 0751-
6614_1986_num_17_1_1077(2013).
- www.platts.com.
- www.opec.com.
127
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
ANNEXE
4
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
ANNEXES
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
ANNEXES
Annexe N°01 l’évolution historique des prix spot du pétrole brut en

dollar/baril.
Année/mois Pst Année/mois Pst Année/mois Pst Année/mois Pst Année/mois Pst
2000M01 24.58 2003M03 29.78 2006M05 65.11 2009M07 68.59 2012M09 109.68
2000M02 26.84 2003M04 25.34 2006M06 64.6 2009M08 70.37 2012M10 106.16
2000M03 26.71 2003M05 25.6 2006M07 68.89 2009M09 65.55 2012M11 108.59
2000M04 22.93 2003M06 26.74 2006M08 68.81 2009M10 75.56 2012M12 107.76
2000M05 26.94 2003M07 27.43 2006M09 59.34 2009M11 76.20 2013M01 112.3
2000M06 29.12 2003M08 28.63 2006M10 54.97 2009M12 77.16 2013M02 108.62
2000M07 27.94 2003M09 26.32 2006M11 55.42 2010M01 71.01 2013M03 107.23
2000M08 28.3 2003M10 28.54 2006M12 57.95 2010M02 74.6 2013M04 100.65
2000M09 31.48 2003M11 28.45 2007M01 50.79 2010M03 78.7 2013M05 98.78
2000M10 30.42 2003M12 29.44 2007M02 54.56 2010M04 84.13 2013M06 100.78
2000M11 31.22 2004M01 30.33 2007M03 58.59 2010M05 71.88 2013M07 104.97
2000M12 24.13 2004M02 29.56 2007M04 63.55 2010M06 72.49 2013M08 111.55
2001M01 24.06 2004M03 32.05 2007M05 64.48 2010M07 74.43 2013M09 106.47
2001M02 25.41 2004M04 32.35 2007M06 66.89 2010M08 72.39 2013M10 106.75
2001M03 23.7 2004M05 36.27 2007M07 71.89 2010M09 77.48 2013M11 107.07
2001M04 24.38 2004M06 34.61 2007M08 68.70 2010M10 79.42 2013M12 107.67
2001M05 26.25 2004M07 36.29 2007M09 74.18 2010M11 83.65 2014M01 97.49
2001M06 26.1 2004M08 40.27 2007M10 79.31 2010M12 88.99 2014M02 102.59
2001M07 23.73 2004M09 40.36 2007M11 88.84 2011M01 95.53 2014M03 101.58
2001M08 24.46 2004M10 45.37 2007M12 87.05 2011M02 108.5 2014M04 99.74
2001M09 24.29 2004M11 38.96 2008M01 88.35 2011M03 111.42 2014M05 102.71
2001M10 19.64 2004M12 35.7 2008M02 90.64 2011M04 120.35 2014M06 105.37
2001M11 17.65 2005M01 40.24 2008M03 99.03 2011M05 111.2 2014M07 98.17
2001M12 17.53 2005M02 41.68 2008M04 105.16 2011M06 107.5 2014M08 95.95
2002M01 18.33 2005M03 49.07 2008M05 119.39 2011M07 112.18 2014M09 91.16
2002M02 18.89 2005M04 49.63 2008M06 128.33 2011M08 111.4 2014M10 80.54
2002M03 22.64 2005M05 46.96 2008M07 131.22 2011M09 101.57 2014M11 66.15
2002M04 24.88 2005M06 52.04 2008M08 112.41 2011M10 107.12 2014M12 53.27
2002M05 24.76 2005M07 53.13 2008M09 96.85 2011M11 110.38 2015M01 48.24
2002M06 23.8 2005M08 57.82 2008M10 69.16 2011M12 106.84 2015M02 49.76
2002M07 25.13 2005M09 57.88 2008M11 49.76 2012M01 111.21 2015M03 47.6
2002M08 25.99 2005M10 54.63 2008M12 38.6 2012M02 120.79 2015M04 59.63
2002M09 27.38 2005M11 51.29 2009M01 43.3 2012M03 120.89 2015M05 60.3
2002M10 27.32 2005M12 52.65 2009M02 43.22 2012M04 117.2 2015M06 59.47
2002M11 24.29 2006M01 58.48 2009M03 46.65 2012M05 101.06 2015M07 47.12
2002M12 28.39 2006M02 56.62 2009M04 50.36 2012M06 92.99 2015M08 49.2
2003M01 30.34 2006M03 57.87 2009M05 63.71 2012M07 102.22 2015M09 45.09
2003M02 31.54 2006M04 64.44 2009M06 69.56 2012M08 111.17 2015M10 46.59
130
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
ANNEXES
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
ANNEXE N°02 La série des résidus d’estimation obtenue (et

Année/Mois Residual et Année/Mois Residual et Année/Mois Residual et Année/Mois Residual et Année/Mois Residual et
2000M01 3.26830 2003M03 -8.65684 2006M05 9.54803 2009M07 -4.09711 2012M09 19.8678
2000M02 5.07764 2003M04 -13.5475 2006M06 8.58737 2009M08 -2.76777 2012M10 15.8971
2000M03 4.49698 2003M05 -13.7382 2006M07 12.4267 2009M09 -8.03843 2012M11 17.8764
2000M04 0.26631 2003M06 -13.0488 2006M08 11.8960 2009M10 1.52091 2012M12 16.5958
2000M05 3.82565 2003M07 -12.8095 2006M09 1.97538 2009M11 1.72024 2013M01 20.6851
2000M06 5.55499 2003M08 -12.0601 2006M10 -2.84528 2009M12 2.21958 2013M02 16.5544
2000M07 3.92433 2003M09 -14.8208 2006M11 -2.84594 2010M01 -4.38108 2013M03 14.7138
2000M08 3.83367 2003M10 -13.0515 2006M12 -0.76660 2010M02 -1.24174 2013M04 7.68312
2000M09 6.56301 2003M11 -13.5921 2007M01 -8.37726 2010M03 2.40760 2013M05 5.36246
2000M10 5.05235 2003M12 -13.0528 2007M02 -5.05793 2010M04 7.38694 2013M06 6.91180
2000M11 5.40168 2004M01 -12.6135 2007M03 -1.47859 2010M05 -5.31372 2013M07 10.6511
2000M12 -2.13898 2004M02 -13.8341 2007M04 3.03075 2010M06 -5.15439 2013M08 16.7805
2001M01 -2.65964 2004M03 -11.7948 2007M05 3.51009 2010M07 -3.66505 2013M09 11.2498
2001M02 -1.76030 2004M04 -11.9454 2007M06 5.46943 2010M08 -6.15571 2013M10 11.0792
2001M03 -3.92096 2004M05 -8.47610 2007M07 10.0188 2010M09 -1.51637 2013M11 10.9485
2001M04 -3.69162 2004M06 -10.5868 2007M08 6.38810 2010M10 -0.02703 2013M12 11.0978
2001M05 -2.27228 2004M07 -9.35742 2007M09 11.4074 2010M11 3.75231 2014M01 0.46717
2001M06 -2.87295 2004M08 -5.82808 2007M10 16.0968 2010M12 8.64165 2014M02 5.11651
2001M07 -5.69361 2004M09 -6.18874 2007M11 25.1661 2011M01 14.7310 2014M03 3.65585
2001M08 -5.41427 2004M10 -1.62941 2007M12 22.9255 2011M02 27.2503 2014M04 1.36519
2001M09 -6.03493 2004M11 -8.49007 2008M01 23.7748 2011M03 29.7197 2014M05 3.88452
2001M10 -11.1356 2004M12 -12.2007 2008M02 25.6141 2011M04 38.1990 2014M06 6.09386
2001M11 -13.5763 2005M01 -8.11139 2008M03 33.5535 2011M05 28.5983 2014M07 -1.55680
2001M12 -14.1469 2005M02 -7.12205 2008M04 39.2328 2011M06 24.4477 2014M08 -4.21746
2002M01 -13.7976 2005M03 -0.18271 2008M05 53.0122 2011M07 28.6770 2014M09 -9.46812
2002M02 -13.6882 2005M04 -0.07337 2008M06 61.5015 2011M08 27.4464 2014M10 -20.5388
2002M03 -10.3889 2005M05 -3.19404 2008M07 63.9408 2011M09 17.1657 2014M11 -35.3794
2002M04 -8.59956 2005M06 1.43530 2008M08 44.6802 2011M10 22.2650 2014M12 -48.7101
2002M05 -9.17022 2005M07 2.07464 2008M09 28.6695 2011M11 25.0744 2015M01 -54.1908
2002M06 -10.5809 2005M08 6.31398 2008M10 0.52884 2011M12 21.0837 2015M02 -53.1214
2002M07 -9.70155 2005M09 5.92332 2008M11 -19.3218 2012M01 25.0030 2015M03 -55.7321
2002M08 -9.29221 2005M10 2.22266 2008M12 -30.9325 2012M02 34.1324 2015M04 -44.1528
2002M09 -8.35287 2005M11 -1.56800 2009M01 -26.6831 2012M03 33.7817 2015M05 -43.9334
2002M10 -8.86353 2005M12 -0.65867 2009M02 -27.2038 2012M04 29.6411 2015M06 -45.2141
2002M11 -12.3442 2006M01 4.72067 2009M03 -24.2345 2012M05 13.0504 2015M07 -58.0147
2002M12 -8.69485 2006M02 2.41001 2009M04 -20.9751 2012M06 4.52974 2015M08 -56.3854
2003M01 -7.19551 2006M03 3.20935 2009M05 -8.07579 2012M07 13.3091 2015M09 -60.9461
2003M02 -6.44618 2006M04 9.32869 2009M06 -2.67645 2012M08 21.8084 2015M10 -59.8967
131
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
ANNEXES
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
ANNEXE N°3 Le test de racine unitaire DFA des modèles

Autorégressifs
Modèle autoregressif d’ordre
132
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
ANNEXES
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Modèle autoregressif d’ordre avec constante
133
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
ANNEXES
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Modèle autoregressif d’ordre avec constante et trend
134
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
ANNEXES
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
ANNEXE N°04 le test de racine unitaire DFA de la série des prix spot
du pétrole brut différencier
Le modèle autoregressif d’ordre
135
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
ANNEXES
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Le modèle autoregressif d’ordre avec constante
136
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
ANNEXES
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Le modèle autoregressif d’ordre avec constante et trend
137
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Tables des matières
4
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Introduction générale …………………………...…………………………………………4
CHAPITRE I : Les marchés pétroliers et la volatilité des prix du pétrolier ...................... 10

Introduction ....................................................................................................................... 10
1.1. Le marché pétrolier ................................................................................................. 11
1.1.1. Le marché physique ......................................................................................... 12
a) Le marché physique au comptant ........................................................................ 12
b) Le marché physique à terme ............................................................................... 14
1.1.2. Le marché financier (future) ............................................................................ 15
1.2. Le prix du pétrole ................................................................................................... 16
1.2.1. Un historique sur le prix du pétrole .................................................................. 17
1.2.1.1. La fondation de l’OPEP ................................................................................ 17
1.2.1.2. La variation des prix du pétrole dans les années 70 et 80 ......................... 18
1.2.1.3. La perte d’influence de l’OPEP ................................................................ 18
1.2.1.4. Le prix du pétrole depuis l’an 2000 .......................................................... 18
1.2.1.5.La crise financière de 2008 19
1.2.1.6. Fin 2011 début 2012 (de la crise libyenne à la crise iranienne) ............... 20
1.2.1.7. La stabilité des prix du pétrole en 2013 .................................................... 21
1.2.1.7. La baisse des cours en 2014 ..................................................................... 22
1.2.1.8. Les prix du pétrole pour l’année 2015 ...................................................... 24
1.2.2. Les déterminants du prix du pétrole .................................................................... 24
1.2.2.1. L’épuisement des réserves ........................................................................... 26
1.2.2.2. Les déterminants liés à l’offre disponible : structure de la production, taux
d’utilisation des capacités disponibles et coût d’accès au brut ......................................... 28
1.2.2.3. Les déterminants liés à la demande .............................................................. 29
1.2.2.4. Le pouvoir de marché des producteurs ........................................................ 29
1.2.2.5. La spéculation et le cours du dollar ............................................................. 30
1.2.2.6. « La capacité d’absorption » des tensions politiques : .................................. 31
1.3. Les crises pétrolières .............................................................................................. 32
1.3.1. Le choc pétrolier .......................................................................................... 33
a) Un choc d’offre ................................................................................................... 33
b) Un choc de demande ........................................................................................... 34
4
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
1.3.2. Le contre-choc pétrolier ............................................................................... 35

1.3.3. La relation entre un choc et un contre-choc pétrolier ...................................... 35
1.4. La volatilité .............................................................................................................. 36
1.4.1. Définitions ....................................................................................................... 36
1.4.2. Les facteurs de la volatilité .............................................................................. 37
1.4.2.1. Les comportements réversibles des offreurs et des demandeurs de titres 38
1.4.2.2. L'interdépendance de l'offre et de la demande de titres ............................ 38
1.4.2.3. La volatilité de la valeur fondamentale des actions .................................. 38
1.4.2.4. L'asymétrie d'information ......................................................................... 38
1.4.2.5. Le rôle controversé des marchés dérivés .................................................. 39
1.4.2.6. Une volatilité très irrégulière .................................................................... 39
1.4.3. Limitation et contrôle de la volatilité .............................................................. 40
1.4.4. Les différentes mesures de la volatilité ........................................................... 41
1.4.4.1. La volatilité historique (réalisée) .............................................................. 41
1.4.4.2. La volatilité implicite ............................................................................... 42
Conclusion du premier chapitre ......................................................................................... 42
CHAPITRE II : Techniques d’analyse et de prévision des séries financières ARCH et

(G)ARCH ........................................................................................................................... 44
Introduction ........................................................................................................................ 44
2.1. Rappel des concepts techniques ................................................................................ 46
2.1.1. Chronique : (série chronologique, série temporelle) ............................................... 46
2.1.2. Processus stochastique, variables aléatoires : (processus aléatoire, fonction
aléatoire) ............................................................................................................................ 46
a) Stationnarité et bruit blanc .................................................................................. 46
Processus stationnaire ......................................................................................... 46
Processus non-stationnaire ................................................................................... 47
b) Bruit blanc ........................................................................................................... 50
2.1.3. Les séries financières .............................................................................................. 51
2.1.3.1. Les caractéristiques des séries financières ........................................................... 52
2.1.4. Modélisation ARMA ou Modélisation (G)ARCH d’une série financière ............. 52
5
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2.2. Les modèles ARMA et les série financières .............................................................. 52

2.2.1. Le Modèle AR (auto Régressif) .............................................................................. 53
2.2.2. Le modèle MA (Mouving Average : Moyenne Mobile) ........................................ 54
2.2.3. Le Modèle Mixte ..................................................................................................... 55
2.2.4. Conditions d’utilisation des modèles AR, MA, ARMA ......................................... 55
2.2.5. La méthode de box et Jenkins ................................................................................. 56
2.3. Les modèles ARCH et (G)ARCH ............................................................................. 57
2.3.1. Présentation générale et problématique .................................................................. 58
2.3.2. Modèle de régression de type ARCH...................................................................... 60
2.3.2.1. Spécification du modèle ................................................................................ 60
2.3.2.2. Propriétés d’un modèle ARCH (1)................................................................ 61
2.3.2.3. Test d’un modèle de type ARCH .................................................................. 62
2.3.2.4. Procédure d’estimation et prévision ..................................................................... 63
2.4. Processus de type GARCH (1986 : Tim Bollerselv) ................................................. 65
2.4.1. Spécification ..................................................................................................... 65
2.4.2. Test et estimation de modèle de type GARCH ................................................ 66
2.4.3. Le modèle GARCH (1,1) ........................................................................................ 67
2.4.4. Les pondérations ..................................................................................................... 67
2.4.5. L’estimation des paramètres d’un GARCH (1,1) ................................................... 68
2.4.5.1. La qualité du modèle ..................................................................................... 68
2.4.5.2 La prévision de la volatilité future par le modèle GARCH (1,1).................... 69
2.5. Modèle ARMA-GARCH (1986 : Weiss) ................................................................... 70
2.6. La prévision ................................................................................................................ 71
2.6.1. La prévision en l’économie ..................................................................................... 72
2.6.1.1. Modèles structurels keynésiens ...................................................................... 72
2.6.1.2. Modèles statistiques ....................................................................................... 73
2.6.2. Les types de prévision des séries temporelles .......................................................... 76
2.6.2.1. Les erreurs de prévision ........................................................................................ 76
2.6.2.2. Les technique s de la prévision des séries temporelles ......................................... 77
2.6.2.3. Choix de technique de la prévision des séries temporelles .................................. 77
2.6.2.4. Développement des modèles pour prévision ........................................................ 78
6
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
2.6.3. Le modèle et robustesse des prévisions ................................................................... 79

Conclusion du deuxième chapitre ...................................................................................... 80
CHAPITRE III : La prévision de la volatilité des prix du pétrole par les modèles ARCH et
(G)ARCH ........................................................................................................................... 81
Introduction ....................................................................................................................... 81
3.1. Modélisation de la volatilité du prix du pétrole par les modèles ARCH et (G)ARCH
……………………………………………………………………………………..82
3.1.1. Présentation des données des prix SPOT du pétrole brut ............................ 83
3.1.1.1. Etude Graphique ....................................................................................... 83
3.1.1.2. Détermination du type de la série des prix spot du pétrole ....................... 85
3.1.1.3. Etude de la stationnarité de la Série des prix spot du pétrole ................... 88
a) Etude du Corrélogramme de la série des prix spot ............................................... 89
b) Application du test Dickey-Fuller Augmenté ....................................................... 89
c) Décomposition de la série des prix spot du pétrole .............................................. 90
C.1) L’élimination de la tendance (trend) ................................................................. 91
C.2) Filtre de différence première .............................................................................. 93
3.2. Modélisation de la série des prix Spot du pétrole ...................................................... 95
3.2.1. Mise en évidence des variances temporelles .................................................... 95
3.2.2. Analyse de l’asymétrie et de la leptokurticité .................................................. 97
3.2.3. La Modélisation par la méthode ARMA .................................................................. 97
3.2.3.1. L’identification ............................................................................................. 98
3.2.3.2. L’estimation des paramètres du modèle 100
3.2.3.3. Validation du modèle 101
1) Test de nullité des résidus H1 ............................................................................... 101

2) Test de non auto-corrélation des résidus H2 .................................................. 102
3) Test de normalité des résidus H3 ................................................................ 103
4) Test d’homoscédasticité des résidus H4 ..................................................... 104
4.1) Test corrélation sérielle des résidus (Breusch-Godfrey) 104
4.2) Test de White 105
4.3) Test ARCH.LM 105
7
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
3.2.4. La Modélisation ARCH ............................................................................... 107

3.3. La Prévision sur les prix de brut par ARCH ............................................................ 111
3.3.1. Application aux données du prix spot du pétrole 111
3.3.2. Les prévisions de l’AIE des prix spot du pétrole 113
Conclusion du troisième chapitre .................................................................................... 116
Conclusion générale ......................................................................................................... 118

Bibliographie .................................................................................................................... 122
ANNEXES ....................................................................................................................... 130
Annexe N°01 : l’évolution historique des prix spot du pétrole brut en dollar/baril......... 130
ANNEXE N°02 : La série des résidus d’estimation obtenue (et) .................................... 131
ANNEXE N°3 : Le test de racine unitaire DFA des 3 modèles Autorégressifs .............. 132
ANNEXE N°04 : le test de racine unitaire DFA de la série des prix spot du pétrole brut
différencier ....................................................................................................................... 135
Listes des figures
Figure N° 01 : Les grands marchés spot pétroliers internationaux .................................... 14
Figure N° 02 : Les facteurs qui servent à la fixation des prix du pétrole........................... 17
Figure N° 03 : Evolution des trois indices pétroliers de références 2005 février 2014. .... 22
Figure N° 04 : Déterminants du prix du pétrole. ................................................................ 26
Figure N° 05 : Représentation d’une crise pétrolière ......................................................... 34
Figure N° 06 : Comparaison des trajectoires des sous-jacent pour différentes niveaux de
volatilité .............................................................................................................................. 36
Figure N° 07: Les différentes catégories de la volatilité .................................................... 37
Figure N° 08: Les différentes mesures de volatilité ........................................................... 41
Figure N° 09: Evolution des prix spot du pétrole brut entre janvier 2000 à Octobre 2015.
............................................................................................................................................ 84
Figure N° 10: Le graphe saisonnier du prix spot du pétrole brut entre janvier 2000 et
Octobre 2015. ..................................................................................................................... 85
Figure N° 11: Evolution des résidus obtenus de l’estimation de la fonction de la tendance
de la série Pst. .................................................................................................................... 92
Figure N°12: la prévision des prix spot à l’horizon de 2016. .......................................... 113
Figure N° 13: Profil qalitatif des prix du pétrole à long terme ........................................ 115
8
PD PD
!
W
W
O
O
N
N
y
y
bu
bu
to
to
ww
ww
om
om
k
k
lic
lic
C
C
.c
.c
w
w
tr re tr re
.
.
ac ac
Liste des tableaux

Tableau N° 01 : Examen de la stationnarité d’une série chronologique ............................ 48
Tableau N° 02: Les moyennes et l’écart types de la série des prix spot du pétrole brut. .. 86
Tableau N° 03 : Régression de l’écart type sur les moyennes annuelles de la série des prix
spot du pétrole brut............................................................................................................. 87
Tableau N° 04 : Résultats du test Dickey-Fuller Augmentés. ........................................... 90
Tableau N° 05 : Estimations de la fonction de la tendance par la méthode des MCO. ..... 91
Tableau N° 06: Test de DFA de la série différencié Pst. ................................................ 94
Tableau N° 07 : Les moyennes et les variances annuelles de la série Pst. ...................... 95
Tableau N° 08: Test d’indépendance sérielle de la série Pst .......................................... 98
Tableau N° 09 : Identification de l’ordre du modèle ......................................................... 99
Tableau N° 10: Estimations des paramètres du modèle AR(1) ....................................... 100
Tableau N° 11 : Test de corrélation sérielle des résidus Breusch-Godfrey ..................... 104
Tableau N° 12 : Test de White (homoscédasticité du modèle) ........................................ 105
Tableau N°13 : Test du ARCH.LM ................................................................................. 106
Tableau N°14: Test de ARCH.LM d’Ordre 2 .................................................................. 107
Tableau N°15 : Identification du modèle ARCH ............................................................. 107
Tableau N°16: Prévision des prix spot à l’horizon de 6 mois .......................................... 112
Liste des Corrélogrammes
A.1. Corrélogramme de la série brute des prix spot du pétrole brut. ................................. 89
A.2. Corrélogramme des résidus de la Série PSt .............................................................. 93
A.3. Corrélogramme de la série des prix spot Pst .......................................................... 99
A.4. Corrélogramme des résidus du modèle AR(1). ........................................................ 103
A.5. Corrélogramme des carrés des résidus standardisés ................................................ 110
Liste des Histogrammes
B.1. Histogramme de la série Pst .................................................................................... 97
B.2. Histogramme des résidus (la normalité des erreurs). ............................................... 104
B.3. Histogramme des résidus standardisés ..................................................................... 110

Thème: Présenté Par

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Thème: Présenté Par

Transféré par

Droits d'auteur :

Formats disponibles

F -X C h a n ge F -X C h a n ge

Université Abdelhamid IBN BADISSE MOSTAGANEM

Faculté des sciences économiques, sciences commerciales et des sciences de

Département des sciences économiques

Mémoire de fin d’étude pour l’obtention du diplôme magister en Sciences

Option : Techniques Quantitatives Appliquées en Economie

Soutenu le : 20 Avril 2017

Merci au grand Dieu de m’avoir donné la force, la patience et le courage de

Je tiens, en premier lieu, à remercier mon encadreur, le Professeur Ahmed

Je suis particulièrement reconnaissante pour leur lecture attentive de la version

J’exprime aussi mes précieux sentiments de gratitude et de reconnaissance à

sœurs, pour leur générosité, leur encouragement et leur soutien.

belles sœurs, pour leur encouragement.

CHAPITRE I : Les marchés pétroliers et la volatilité des prix du pétrolier .............. 10

CHAPITRE II : Techniques d’analyse et de prévision des séries financières ARCH

Conclusion générale ......................................................................................................... 118

Dans les dernières décennies, de nombreux travaux de recherche ont été

En raison des préoccupations traditionnelles concernant le pétrole, les chercheurs

La modélisation et la prévision de la volatilité des prix du pétrole qui a déjà

volatilité constante, et un modèle ARCH qu’on essaye dans ce travail de vérifier sa

Depuis le mois de février 2011, l’instabilité géopolitique qui règne dans de

Au vu de ces événements et à l’intérêt général qui nécessite l’examen et l’étude

Dans notre scénario prévisionnel, nous faisons l’hypothèse de l’absence d’un

Le principal objectif qui nous incitent à la sélection principale de ce thème est

Une recherche bibliographique qui nous a permis de cerner notre

Afin de répondre à notre problématique, nous avons structuré notre travail en

Le premier chapitre intitulé : « Les marchés pétroliers et la volatilité des prix

Le deuxième chapitre intitulé : « Techniques d’analyse et de prévision des

Dans ce travail on va adopter deux modes d'approches descriptifs et quantitatifs

Rapports et brochures de l’Organisation des pays exportateurs de pétrole OPEC ;

CHAPITRE Les marchés pétroliers et la volatilité des prix du

Le marché pétrolier est considéré comme le plus grand marché de matières

Il est utile de bien connaitre le fonctionnement du marché pétrolier et en particulier

1.1. Le marché pétrolier

Le commerce du pétrole brut2 ne se déroule pas dans un seul type de marché. On

a) Le marché physique au comptant

Le marché physique au comptant5 ou de spot désigne un marché du « moment » et

Au delà, on distingue sept principaux marchés physiques au comptant existent à

a- Le marché de Rotterdam est le marché physique le plus important et cela pour le

Figure N° 01 Les grands marchés spot pétroliers internationaux

b) Le marché physique terme

Le marché physique à terme ou à livraison différée du pétrole, appelé aussi

1.1.2. Le marché financier (future)

Ce marché financier est appelé également le marché à terme financier de pétrole ou

Les différents marchés du pétrole brut existants et présenté dans la section

1.2. Le prix du pétrole

Source : Centre de Géopolitique de l’énergie et des matières premières

1.2.1. Un historique sur le prix du pétrole:

1.2.1.1 La fondation de l’OPEP

Au vu des bénéfices importants des compagnies pétrolières, les pays producteurs

1.2.1.2 La variation des prix du pétrole dans les années 70 et 80

1.2.1.3 La perte d’influence de l’OPEP

1.2.1.4 Le prix du pétrole depuis l’an 2000

1.2.1.5 La crise financière de 2008

La crise de subprime a affecter profondément le marché du pétrole en provoquant un pic

Augmentation de la demande des pays émergents, en effet, la montée en puissance de

1.2.1.7 La stabilité des prix du pétrole en 2013

Au premier semestre, on a assisté à une baisse radical de l’écart de prix entre le

1.2.1.8 La baisse des cours en 2014

1.2.1.9 Les prix du pétrole pour l’année 2015

1.2.2 Les déterminants du prix du pétrole

Contrairement à la majorité des biens et services, ce n’est pas une simple

Les prix diminuaient ensuite sensiblement, du fait de certaines problèmes liées à la